中文

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 G=(AB,E)G = \left( A \cup B, E \right)。在单侧模型中,每个 aAa \in A(通常称为 agent)严格排序其邻居 zNaz \in N_{a},且 bBb \in B 对其邻居 yNby \in N_{b} 没有任何偏好顺序,且 BB 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 aAa \in A 严格排序其邻居 zNaz \in N_{a},且每个 bBb \in B 将其所有邻居放入单个大型平局中,即 bBb \in B 偏好其所有邻居 yNby \in N_{b} 相等。在这种双侧模型中,当两个匹配在多数投票中竞争时,bBb \in B 在两个匹配都饱和 bb 或两个匹配都使 bb 未饱和时中止投票;否则 bb 偏好饱和 bb 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 G=(AB,E)G = (A \cup B, E) 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 kk

关键词

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