MARC

 008250123s2024        us                              c    eng  d
■001000017161831
■00520250211151451
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382776545
■035    ▼a(MiAaPQ)AAI31296734
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aMibuari,  Eric  M.▼0(orcid)0009-0007-5347-900X
■24510▼aTowards  Positive  Outcomes  in  the  AI  Economy:  Mitigating  Algorithmic  Collusion  and  Enabling  Fair  Recourse
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a165  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  A.
■500    ▼aAdvisor:  Parkes,  David.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aThe  rise  of  Artificial  Intelligence  (AI)  promises  to  solve  many  important  problems  in  the  world.  At  the  same  time,  awareness  has  been  increasing  about  its  potential  and  real  harms.  How  can  we  extract  maximum  benefit  from  the  promise  of  AI  while  minimizing  present  harms  and  mitigating  future  risks?In  this  thesis,  I  frame  and  answer  this  question  from  the  perspective  of  enabling  and  promoting  positive  outcomes  in  the  AI-enabled  economy,  where  markets  are  facilitated  using  AI  algorithms,  including  agent  behavior,  pricing,  and  matching  and  clearing.  The  goal  of  my  research  is  to  find  and  create  the  conditions  under  which  the  benefits  of  AI  are  preserved  or  even  enhanced  while  the  tendency  to  diminish  welfare,  perhaps  to  particular  groups,  is  contained  to  the  greatest  possible  extent.In  lending  domains,  machine  learning  can  be  used  to  form  a  predictive  model  of  the  probability  of  default  (a  "risk  score"),  this  driving  loan  decisions.  For  simple  models,  this  brings  the  benefits  of  transparency  and  explainability,  as  well  as  guidance  in  regard  to  recourse.  An  alternative  is  to  use  policy  learning,  that  is,  learning  a  policy  from  borrower  characteristics  to  loan  decisions  directly,  and  without  explicit  risk  scoring.  This  emphasizes  profit  and  can  speed  up  learning,  as  a  lender  understands  a  borrower  population,  but  with  a  concomitant  loss  of  transparency.  I  introduce  a  risk-score  based  policy  learning  method,  as  well  as  a  new  metric  of  recourse  effort  fairness,  and  demonstrate  that  this  risk-score  based  policy  learning  achieves  optimal  profits,  explainability  and  transparency,  as  well  as  recourse  effort  fairness.There  are  a  number  of  problems  where  economic  actors  follow  sequential  behaviors,  for  example,  in  making  pricing  adjustments  over  time  on  e-commerce  platforms,  or  power  trading  and  storage  optimization  through  a  typical  day  in  an  electricity  market.  In  this  thesis,  I  work  with  the  Stackelberg  POMDP  framework  (partially  observable  Markov  decision  process)  to  design  interventions  in  these  kinds  of  sequential  settings,  seeking  to  improve  economic  welfare.  I  am  especially  focused  on  concerns  that  can  arise  in  regard  to  tacit  collusion  between  AI-mediated  pricing  or  trading  and  storage  decisions  by  automated  agents.In  a  first  setting,  I  study  algorithmic  pricing  on  e-commerce  platforms,  where  reinforcement  learning  (RL)  algorithms  have  been  shown  to  learn  to  set  collusive  prices  with  nothing  more  than  profit  feedback.  This  raises  the  question  as  to  whether  collusive  pricing  can  be  prevented  through  the  design  of  suitable  ``buy  boxes,"  i.e.,  through  the  design  of  the  rules  that  govern  the  promotion  of  particular  products  and  prices  to  consumers.  I  show  that  RL  can  also  be  used  by  platforms  to  learn  buy  box  rules  that  are  effective  in  preventing  collusion  by  RL  sellers.  For  this,  I  adopt  the  Stackelberg  POMDP  framework,  and  demonstrate  success  in  learning  robust  rules  that  provide  high  consumer  welfare.In  a  second  setting,  I  study  trading  and  storage  decisions  by  battery  operators  in  electricity  power  markets.  %requiring  power  storage  are  an  example  of  a  multi-agent  dynamic  storage  optimization  application  in  which  artificial  intelligence  (AI)  algorithms  are  actively  applied  by  prosumers  (battery  operators  who  both  produce  and  consume  power).  In  this  application,  agents  who  correspond  to  battery  operators  buy  and  sell  power  in  a  market  with  producers  and  price-elastic  consumers,  and  where  power  can  be  stored  at  a  negligible  cost  up  to  an  agent-specific  capacity.  The  use  of  RL  algorithms  has  been  shown  in  this  setting  to  lead  to  outcomes  where  battery  operators  arbitrage  the  market  over  time,  and  that  correspond  to  tacit  collusion.  I  again  appeal  to  the  Stackelberg  POMDP  framework,  and  demonstrate  success  in  learning  collusion-mitigation  policies  by  a  regulator,  in  particular  through  the  use  of  a  network-flow  thresholding  intervention.
■590    ▼aSchool  code:  0084.
■650  4▼aComputer  science
■653    ▼aAlgorithmic  collusion
■653    ▼aFair  recourse
■653    ▼aPositive  outcomes
■653    ▼aEconomic  platforms
■653    ▼aStackelberg  problem
■690    ▼a0984
■690    ▼a0800
■690    ▼a0501
■71020▼aHarvard  University▼bEngineering  and  Applied  Sciences  -  Computer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-12A.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161831▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서