論文の概要: MenuNet: A Strategy-Proof Mechanism for Matching Markets
- arxiv url: http://arxiv.org/abs/2605.03216v1
- Date: Mon, 04 May 2026 23:12:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.676919
- Title: MenuNet: A Strategy-Proof Mechanism for Matching Markets
- Title（参考訳）: MenuNet: 市場マッチングのための戦略実証メカニズム
- Authors: Zhaohong Sun, Makoto Yokoo,
- Abstract要約: メニューのニューラル表現に基づく戦略防御機構設計フレームワークである textttMenuNet を提案する。
安定性をフェアネス(うらやましくない)と非無駄ネスに分解することで、我々のアプローチはこれらの特性をベクトル値の量としてモデル化する。
経験的に、textttMenuNetは、スケーラビリティと計算効率を維持しながら、このトレードオフを効果的にナビゲートする。
- 参考スコア（独自算出の注目度）: 9.952014313721932
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Strategy-proofness is a fundamental desideratum in mechanism design, ensuring truthful reporting and robust participation. Stability is another central requirement in matching markets, widely adopted in applications such as school choice and labor market clearing. In practice, however, these markets are invariably governed by complex distributional constraints, ranging from diversity quotas and regional balance to global capacity slacks, under which stable matchings often fail to exist. This raises a fundamental question: how to distribute unavoidable instability across agents while preserving strategy-proofness? To address this, we propose \texttt{MenuNet}, a strategy-proof mechanism design framework based on a neural representation of menus. Rather than directly constructing assignments, \texttt{MenuNet} learns to generate personalized probabilistic menus, from which assignments are realized via a structured sequential choice rule that guarantees strategy-proofness by construction. By decomposing stability into fairness (no envy) and non-wastefulness, our approach models these properties as vector-valued quantities and optimizes their distribution through differentiable objectives, providing a principled trade-off between competing axioms. Empirically, \texttt{MenuNet} navigates this trade-off effectively: it consistently outperforms Random Serial Dictatorship (RSD) in terms of envy and Deferred Acceptance (DA) in terms of waste, while maintaining scalability and computational efficiency. These results suggest that learning-based menu mechanisms provide a flexible and scalable paradigm for mechanism design in highly constrained, real-world environments.
- Abstract（参考訳）: 戦略保護は、メカニズム設計における基本的なデシラタムであり、誠実な報告と堅牢な参加を保証する。
安定は市場整合におけるもう一つの中心的な要件であり、学校選択や労働市場の清算といった応用で広く採用されている。
しかし実際には、これらの市場は、多様性のクォータや地域収支からグローバルキャパシティスラックスまで、常に複雑な分布制約によって支配されている。
戦略の安全性を維持しながら、エージェント間で避けられない不安定性を分散する方法?
そこで我々は,メニューのニューラル表現に基づく戦略保護機構設計フレームワークである \texttt{MenuNet} を提案する。
代入を直接構築する代わりに、 \texttt{MenuNet} はパーソナライズされた確率的メニューを生成することを学び、そこから代入は構成されたシーケンシャルな選択規則によって実現され、建設による戦略の安全性を保証する。
安定性を公平性(うらやましくない)と非不快性に分解することにより、我々のアプローチはこれらの特性をベクトル値の量としてモデル化し、微分可能な目的を通じて分布を最適化し、競合する公理間の原則的なトレードオフを提供する。
経験的に、‘texttt{MenuNet} は、このトレードオフを効果的にナビゲートする。それは、スケーラビリティと計算効率を維持しながら、うらやましい点においてランダムなシリアルディクタシップ(RSD)と、ムダの点においてデファレッドアクセプタンス(DA)を一貫して上回ります。
これらの結果は,学習ベースのメニュー機構が,高度に制約された実環境下でのメカニズム設計に柔軟かつスケーラブルなパラダイムを提供することを示唆している。
関連論文リスト
- MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。
我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。
本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
論文 参考訳（メタデータ） (2026-01-12T05:02:48Z) - Dynamic Inclusion and Bounded Multi-Factor Tilts for Robust Portfolio Construction [0.0]
本稿では,推定誤差,非定常性,現実的な取引制約の下で頑健なポートフォリオ構築フレームワークを提案する。
この手法は、動的資産の適性、決定論的再バランス、および等重量ベースラインに適用された有界多要素傾きを組み合わせたものである。
論文 参考訳（メタデータ） (2026-01-08T23:26:58Z) - Coherence Mechanisms for Provable Self-Improvement [38.3455527898461]
両立概念に基づく自己改善のための原則的枠組みを提案する。
我々は、この概念をプロジェクションに基づくメカニズムを用いて定式化し、ベースラインモデルを一貫した状態に更新すると同時に、元の振る舞いに可能な限り近づいたままにしておく。
我々の分析は包括的であり、遠近法と遠近法の両方を網羅し、これらの保証を実現不可能な設定にしっかりと拡張している。
論文 参考訳（メタデータ） (2025-11-11T16:45:14Z) - ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。
現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。
本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
論文 参考訳（メタデータ） (2025-08-19T12:13:41Z) - Resolving CAP Through Automata-Theoretic Economic Design: A Unified Mathematical Framework for Real-Time Partition-Tolerant Systems [0.0]
CAP定理は、一貫性、可用性、および分割耐性の間のトリレンマを主張する。
本稿では,CAPトレードオフを制約最適化問題として再編成する,厳密な自動理論および経済基盤フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-03T09:21:43Z) - A Unified Theory of Compositionality, Modularity, and Interpretability in Markov Decision Processes [1.3044677039636754]
我々は、新しい報酬のないマルコフ決定プロセスのためのオプションカーネルベルマン方程式(OKBE)を紹介する。
OKBEは、状態時オプションカーネル(STOK)と呼ばれる予測マップを直接構築し、最適化し、ゴールを達成する確率を最大化する。
我々は、報酬-最大化は構成性、モジュラリティ、解釈可能性の性質と矛盾していると主張する。
論文 参考訳（メタデータ） (2025-06-11T08:21:22Z) - Enforcing Hard Linear Constraints in Deep Learning Models with Decision Rules [8.098452803458253]
本稿では、入力依存線形等式とニューラルネットワーク出力の不等式制約を強制するモデルに依存しないフレームワークを提案する。
このアーキテクチャは、予測精度のために訓練されたタスクネットワークと、実行時の決定ルールと堅牢な最適化を用いてトレーニングされた安全なネットワークを組み合わせることで、入力空間全体の実現可能性を保証する。
論文 参考訳（メタデータ） (2025-05-20T03:09:44Z) - Robust Optimization with Diffusion Models for Green Security [49.68562792424776]
グリーンセキュリティでは、効果的パトロールを計画するためには、密猟、違法伐採、違法漁などの敵の行動を予測する必要がある。
本稿では,その強い分布適合性を利用した逆挙動モデリングのための条件付き拡散モデルを提案する。
混合戦略の混合戦略を導入し, 正確なサンプリングを行うために, ツイスト型シークエンシャルモンテカルロ (SMC) サンプリング装置を用いる。
論文 参考訳（メタデータ） (2025-02-19T05:30:46Z) - When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。
deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。
カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文 参考訳（メタデータ） (2023-07-06T04:13:57Z) - A general framework for defining and optimizing robustness [74.67016173858497]
分類器の様々な種類の堅牢性を定義するための厳密でフレキシブルなフレームワークを提案する。
我々の概念は、分類器の堅牢性は正確性とは無関係な性質と考えるべきであるという仮定に基づいている。
我々は,任意の分類モデルに適用可能な,非常に一般的なロバスト性フレームワークを開発する。
論文 参考訳（メタデータ） (2020-06-19T13:24:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。