从示例中学习神经策略证明匹配机制
人工智能
2025-07-31 v3
摘要
当匹配结果的实际需求难以形式化，且设计的机制必须满足理论条件时，设计双边匹配机制具有挑战性。为了解决这个问题，先前的工作提出了一个从示例中学习匹配机制的框架，使用满足稳定性等性质的参数化族。然而，尽管该框架很有用，但它不能保证策略证明性(SP)，也无法处理变化的智能体数量或整合关于智能体的公开可用上下文信息，而这两者在实际应用中至关重要。在本文中，我们基于序列独裁(SD)提出了一种新的参数化匹配机制族，该族始终满足策略证明性，适用于任意数量的智能体，并能处理智能体的公开上下文信息。该族由NeuralSD表示，这是一种基于SD的新型神经网络架构，其中SD中的智能体排名被视为可学习参数，通过基于注意力的子网络从智能体上下文中计算得出。为了实现学习，我们引入了张量序列独裁(TSD)，这是使用张量运算对SD进行的一种可微松弛。这使得NeuralSD能够在满足SP的同时，从示例匹配中进行端到端训练。我们进行了实验，从满足SP的匹配示例中学习匹配机制。我们证明了我们的方法在预测匹配以及匹配结果良好性的多个指标上优于基线方法。
引用
@article{arxiv.2410.19384,
title = {Learning Neural Strategy-Proof Matching Mechanism from Examples},
author = {Ryota Maruo and Koh Takeuchi and Hisashi Kashima},
journal= {arXiv preprint arXiv:2410.19384},
year = {2025}
}