不确定偏好下分散式匹配市场中的学习策略
计算机科学与博弈论
2021-11-24 v2 机器学习
统计方法学
机器学习
摘要
我们研究在共享资源稀缺、且智能体偏好事先未知而须从数据中学习的情形下的决策问题。以双边匹配市场为运行实例,我们关注分散式设定,其中智能体不向中央权威共享其学习到的偏好。我们的方法基于偏好在再生核希尔伯特空间中的表示,以及一种考虑市场中智能体间竞争所导致不确定性的偏好学习算法。在正则条件下,我们证明我们的偏好估计量以极小极大最优速率收敛。基于此结果,我们导出最大化智能体期望收益的最优策略,并通过考虑机会成本来校准不确定状态。我们还导出一个激励相容性质,并表明由学习策略所得结果具有稳定性性质。最后,我们证明一个公平性性质,即依据学习策略不存在正当嫉妒。
引用
@article{arxiv.2011.00159,
title = {Learning Strategies in Decentralized Matching Markets under Uncertain Preferences},
author = {Xiaowu Dai and Michael I. Jordan},
journal= {arXiv preprint arXiv:2011.00159},
year = {2021}
}