多阶段去中心化匹配市场中的学习
计算机科学与博弈论
2021-12-21 v3 机器学习
摘要
匹配市场常以多阶段且去中心化的方式组织。此外，现实世界匹配市场中的参与者常具有不确定偏好。本文基于非参数统计方法与变分分析，开发了在此类设定中学习最优策略的框架。我们提出一种高效算法，构建于“较低不确定性界”与“校准去中心化匹配”概念之上，以最大化参与者的期望收益。我们表明存在一种由接受的不确定性水平刻画的福利—公平性权衡。参与者将策略性地倾向于低不确定性水平以减少竞争并增加期望收益。我们证明相较于单阶段匹配，参与者在多阶段匹配中可获益更优。我们通过仿真及使用大学录取真实数据的实验展示了理论预测的若干方面。
引用
@article{arxiv.2102.06988,
title = {Learning in Multi-Stage Decentralized Matching Markets},
author = {Xiaowu Dai and Michael I. Jordan},
journal= {arXiv preprint arXiv:2102.06988},
year = {2021}
}