扰动市场下的双边贸易中的后悔最小化
计算机科学与博弈论
2026-05-12 v1 机器学习
摘要
我们解决在反复买卖交易中受全局预算平衡约束下的增减益（GFT）最大化问题。虽然该问题在纯对抗和随机环境中已被充分理解，但这些环境呈现出明显的二分法：对抗环境允许对最优固定价格机制实现无后悔学习，而随机环境允许对最优预算平衡的价格分布实现无后悔学习。这种差距显著，因为在预期平衡的政策下可将GFT提高约为两个数量级。在本工作中，我们通过研究扰动市场来弥合这两种极端：扰动市场指底层随机分布受到对抗性腐蚀 的影响。我们设计的算法能够适应性地随腐蚀程度进行扩展，在最优预算平衡价格分布方面实现 后悔上界。同时，算法保持最坏情况 后悔上界相对于每轮预算平衡的基准，确保在完全对抗环境下的最优性。
引用
@article{arxiv.2605.10475,
title = {Regret Minimization in Bilateral Trade With Perturbed Markets},
author = {Anna Lunghi and Matteo Castiglioni and Alberto Marchesi},
journal= {arXiv preprint arXiv:2605.10475},
year = {2026}
}