論文の概要: Network Intervention by Polling Strategic Agents

• arxiv url: http://arxiv.org/abs/2610.08347v1
• Date: Tue, 06 Oct 2026 13:40:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.014417
• Title: Network Intervention by Polling Strategic Agents
• Title（参考訳）: ストラテジックエージェントのポーリングによるネットワーク干渉
• Abstract要約: 異種プライベート技術を用いたマルチアクティブネットワークゲームにおける課題について検討する。 最適価格が中心性に基づく福祉カーネルの分解を許容していることが示される。 ポール(Poll)は、プランナーが1ラウンドごとに1つのエージェントをサンプリングし、エージェントの近所を短時間歩き、ローカルレポートから価格を更新するポーリングアルゴリズムである。
• 参考スコア（独自算出の注目度）: 6.145883244291198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A planner in a network of strategic agents faces three entangled challenges: the optimum depends on agents' private information, queried agents may misreport to steer the outcome, and exact computation does not scale. We study these challenges in multi-activity network games with heterogeneous private technologies, in which the planner sets non-discriminatory prices. We show that the optimal prices admit a centrality-based decomposition of the welfare kernel: each agent's contribution scales with its squared centrality in a network reweighted by agents' preferences across activities. This decomposition motivates Poll, a polling algorithm in which the planner samples one agent per round, walks briefly through the agent's neighborhood, and updates the price from a local report. From the same decomposition flow three forms of efficiency: computationally, Poll uses significantly fewer operations than exact computation and other distributed methods, requiring up to three orders of magnitude less communication on a real-world network with over 300,000 agents; statistically, its query complexity scales with topology and preference heterogeneity rather than explicitly with population size; and economically, it converges to welfare-maximizing prices while admitting behavior-specific implementations that induce truthful reports and detect adversarial deviations.
• Abstract（参考訳）: 戦略エージェントのネットワークのプランナーは、エージェントのプライベート情報に依存する最適なエージェント、クエリされたエージェントが結果を判断するために誤った報告をし、正確な計算はスケールしない、という3つの絡み合った課題に直面している。 本研究では,これらの課題を異種プライベート技術を用いたマルチアクティブネットワークゲームにおいて検討し,プランナが非差別的価格を設定する。 各エージェントの貢献度は、エージェントの行動に対する嗜好によって重み付けされたネットワーク内の正方形中央性と共にスケールする。 この分解は、プランナーが1ラウンドごとに1つのエージェントをサンプリングするポーリングアルゴリズムであるPollを動機付け、エージェントの近所を一時的に歩き、ローカルレポートから価格を更新する。 同じ分解フローから、Pollは正確な計算やその他の分散手法よりもはるかに少ない演算を使い、30,000以上のエージェントを持つ現実世界のネットワーク上での通信を最大3桁も少なくする。

関連論文リスト

• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Scalable Decentralized Algorithms for Online Personalized Mean Estimation [12.002609934938224]
  本研究は,各エージェントが実数値分布からサンプルを収集し,その平均値を推定する,オーバーアーキシング問題の簡易版に焦点を当てた。 1つは信念の伝播からインスピレーションを得ており、もう1つはコンセンサスに基づくアプローチを採用している。
  論文  参考訳（メタデータ） (2024-02-20T08:30:46Z)
• Compressed Regression over Adaptive Networks [58.79251288443156]
  分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。 エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
  論文  参考訳（メタデータ） (2023-04-07T13:41:08Z)
• Quantization for decentralized learning under subspace constraints [61.59416703323886]
  エージェントがサブスペース制約を最小化するために個々のコスト関数を持つ分散最適化問題を考察する。 本稿では,エージェントが確率化量子化器を用いて推定値を圧縮する適応分散型戦略を提案し,検討する。 この分析は、量子化ノイズのいくつかの一般的な条件下では、平均二乗誤差と平均ビットレートの両方で戦略が安定であることを示している。
  論文  参考訳（メタデータ） (2022-09-16T09:38:38Z)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)

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。