EMERGENT: 基于 GFlowNets 的高效且抗操纵的匹配
机器学习
2025-06-17 v1 人工智能
计算机科学与博弈论
摘要
公共资源的公平高效分配算法设计，如学校录取、住房分配或住院医师匹配，具有深远的社会影响。在单边匹配问题中，个体根据排名偏好被分配到项目，效率与策略证明性之间存在根本性的权衡。现有的算法如随机序列独裁（RSD）、概率序列（PS）和排名最小化（RM）只捕捉了这一权衡的一面：RSD 具有策略证明性但效率低下，而 PS 和 RM 效率高但容易受到操纵。我们提出 EMERGENT，一种生成流网络（GFlowNets）在单边匹配中的新颖应用，利用其采样多样化、高奖励解决方案的能力。在我们的方法中，高效且抗操纵的匹配自然地涌现：高奖励解决方案产生高效的匹配，而 GFlowNets 输出的随机性降低了操纵的动机。实验表明，EMERGENT 在排名效率上优于 RSD，同时与 RM 和 PS 产生的匹配相比，显著降低了策略脆弱性。我们的工作揭示了 GFlowNets 在社会选择机制应用中的潜力，在这些应用中，平衡效率与可操纵性至关重要。
引用
@article{arxiv.2506.12033,
title = {EMERGENT: Efficient and Manipulation-resistant Matching using GFlowNets},
author = {Mayesha Tasnim and Erman Acar and Sennay Ghebreab},
journal= {arXiv preprint arXiv:2506.12033},
year = {2025}
}