近似稳定、学校最优且学生诚实的多对一匹配（通过差分隐私）
计算机科学与博弈论
2014-10-27 v2
摘要
我们提出了一种机制，用于计算渐近稳定的学校最优匹配，同时保证对每个学生而言，向机制报告其真实偏好是一种渐近占优策略。我们在此工作中的主要工具是差分隐私：我们给出了一种利用差分隐私信号协调稳定匹配的算法，从而实现了我们的诚实性保证。这是首个已知能在大规模市场中，假设学校和学生的最坏情况偏好下，为学生实现非平凡诚实性保证的学校最优匹配计算场景。
引用
@article{arxiv.1407.2640,
title = {Approximately Stable, School Optimal, and Student-Truthful Many-to-One Matchings (via Differential Privacy)},
author = {Sampath Kannan and Jamie Morgenstern and Aaron Roth and Zhiwei Steven Wu},
journal= {arXiv preprint arXiv:1407.2640},
year = {2014}
}