面向带界限偏好的稳健流行匹配与双侧平局匹配
机器学习
2025-10-30 v1
摘要
我们给出一个二分图 。在单侧模型中,每个 (通常称为 agent)严格排序其邻居 ,且 对其邻居 没有任何偏好顺序,且 中的顶点中止投票以匹配。对于双侧模型带单侧平局的情况,每个 严格排序其邻居 ,且每个 将其所有邻居放入单个大型平局中,即 偏好其所有邻居 相等。在这种双侧模型中,当两个匹配在多数投票中竞争时, 在两个匹配都饱和 或两个匹配都使 未饱和时中止投票;否则 偏好饱和 的匹配。我们分析了在仅一个 agent 改变其偏好顺序的情况下,是否存在稳健流行匹配的情形,并提出了一种多项式时间算法来决定是否存在稳健流行匹配。我们给出了双侧模型带单侧平局中流行匹配的简单描述。我们证明,在双侧模型带单侧平局中,如果输入实例仅因单个 agent 的偏好顺序而异,则存在多项式时间算法来决定是否存在稳健流行匹配。我们能够解决二分图 中的稳定匹配问题,其中 \textit{双方} 都具有弱偏好(允许平局),且每个平局的长度至多为 。
引用
@article{arxiv.2510.25207,
title = {Selective Learning for Deep Time Series Forecasting},
author = {Yisong Fu and Zezhi Shao and Chengqing Yu and Yujie Li and Zhulin An and Qi Wang and Yongjun Xu and Fei Wang},
journal= {arXiv preprint arXiv:2510.25207},
year = {2025}
}
备注
Accepted by NeurIPS 2025