arXiv cs.AI· Seref Taha Kiremitci, Muhammed O. Sayin·· 11 小时前AI 评分18
动态网络上的去中心化最优均衡学习
Decentralized Optimal Equilibrium Learning Over Dynamic Networks
AI 导读
该研究提出一种面向动态通信网络的去中心化最优均衡学习方法，智能体仅凭自身收益观测，通过交换带时间戳的表格并融合时序多数重建，在低带宽、时变邻居条件下实现完全去中心化运行。方法在功利主义与比例公平社会福利目标下给出有限时间对数遗憾保证，仿真显示其能在动态网络中有效选出社会合意均衡。
正文 · AI 翻译
摘要：本文研究动态通信网络上有限正规博弈中社会最优均衡的去中心化学习。每个智能体只能观测到自身实现的收益，事先不知道博弈，并且只能使用低带宽消息与随时间变化的邻居通信。我们提出了网络化去中心化最优均衡学习动力学，其中智能体根据局部收益比较生成随机化的语义内容/不满信号，并交换带时间戳的时间堆叠表，而不是原始动作、收益信息或局部估计/参数。该方法将表融合与时间多数重建相结合，以缓解动态通信的影响，同时保持完全去中心化的运行。我们建立了有限时间对数遗憾保证，并借助同相探索扰动，在功利主义和比例公平社会福利目标下实现最优均衡选择。仿真结果进一步表明，所提方法能够在动态通信网络上有效选择社会期望的均衡。
| 评论： | S. T. Kiremitci 和 M. O. Sayin 的“动态网络上的去中心化最优均衡学习”的扩展版本，将发表于《IEEE 决策与控制会议论文集》，2026 年。该版本包括扩展的文献综述、详细证明和图示。本次修订（v2）扩展了对具有通信的去中心化福利优化相关工作的讨论 |
| 主题： | 计算机科学与博弈论（cs.GT）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2609.17601 [cs.GT] |
| （或 arXiv:2609.17601v2 [cs.GT] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.17601 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Seref Taha Kiremitci [查看电子邮件]
[v1]
2026 年 9 月 13 日星期日 09:39:19 UTC（2,210 KB）
[v2]
2026 年 10 月 20 日星期二 09:40:30 UTC（2,211 KB）
来源：arXiv cs.AI · arxiv.org