MARC

 008260126s2025        us                              c    eng  d
■001000017359280
■00520260202105001
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290651446
■035    ▼a(MiAaPQ)AAI32149760
■035    ▼a(MiAaPQ)Stanfordzc980rv1768
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a153.8
■1001  ▼aCrippa,  Ludovico.
■24510▼aStability  and  Efficiency  in  Multi-Agent  Systems
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a190  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Saban,  Daniela.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aThis  thesis  investigates  the  stability  and  efficiency  of  multi-agent  systems,  focusing  on  two  main  application  areas:  algorithmic  competition  in  online  marketplaces  and  the  design  of  ranking  mechanisms  for  preference  aggregation.  Although  these  domains  arise  in  different  settings,  they  are  united  by  a  common  underlying  challenge:  the  overall  welfare  and  performance  of  the  system  crucially  depend  on  the  interactions  among  heterogeneous  agents-each  with  their  own  preferences,  and  potentially  strategic  behavior.Analyzing  the  outcomes  that  emerge  from  the  interactions  of  decentralized  agents-and  understanding  their  implications  for  overall  welfare-is  a  central  and  challenging  problem  at  the  intersection  of  computer  science,  economics,  and  operations  research.  These  challenges  become  especially  pronounced  in  algorithmically  powered  environments,  where  systems  are  non-stationary,  and  agents  have  limited  information,  adapting  their  behavior  in  real-time.  In  such  dynamic  settings,  traditional  equilibrium  and  welfare  analysis  is  often  not  applicable,  opening  the  way  to  the  definition  and  analysis  of  new  equilibrium  and  welfare  metrics.  In  the  context  of  preference  aggregation,  traditional  aggregation  models  have  assumed  that  disagreements  between  users'  preferences  carry  equal  intensity  regardless  of  the  position,  and  that  all  alternatives  are  interchangeable.  These  assumptions  may  be  analytically  convenient,  but  they  are  increasingly  implausible  in  modern  applications  such  as  recommender  systems,  where  users'  preferences  are  aggregated  to  provide  new  recommendations.  For  instance,  in  recommender  systems,  users  pay  far  more  attention  to  top-ranked  suggestions  than  to  lower  ones-consider  for  example  the  difference  between  the  first  and  tenth  movie  on  a  streaming  platform-and  alternatives  often  differ  in  intrinsic  characteristics,  such  as  genre,  brand,  or  quality  tier.  Understanding  how  to  measure  differences  in  users'  preferences  accounting  for  these  features  becomes  essential  to  devise  effective  rank  aggregation  mechanisms.The  first  chapter  of  my  thesis  is  based  on  my  work  Equilibria  with  Dynamic  Benchmarks  in  NonStationary  Multi-Agent  Systems,co-authored  with  Yonatan  Gur  and  Bar  Light.  In  this  paper,  we  formulate  and  study  a  general  time-varying  multi-agent  system  where  players  repeatedly  compete  under  incomplete  information.  Our  work  is  motivated  by  scenarios  commonly  observed  in  online  advertising  and  retail  marketplaces,  where  agents  and  platform  designers  optimize  algorithmic  decision-making  in  dynamic  competitive  settings.  In  these  systems,  no-regret  algorithms  that  provide  guarantees  relative  to  staticbenchmarks  can  perform  poorly  and  the  distributions  of  play  that  emerge  from  their  interaction  do  not  correspond  anymore  to  static  solution  concepts  such  as  coarse  correlated  equilibria.  Instead,  we  analyze  the  interaction  of  dynamic  benchmarkconsistent  policies  that  have  performance  guarantees  relative  to  dynamicsequences  of  actions,  and  through  a  novel  tracking  errornotion  we  delineate  when  their  empirical  joint  distribution  of  play  can  approximate  an  evolving  sequence  of  static  equilibria.  In  systems  that  change  sufficiently  slowly  (sub-linearly  in  the  horizon  length),  we  show  that  the  resulting  distributions  of  play  approximate  the  sequence  of  coarse  correlated  equilibria,  and  apply  this  result  to  establish  improved  welfare  bounds  for  smooth  games.  On  a  similar  vein,  we  formulate  internal  dynamic  benchmark  consistent  policies  and  establish  that  they  approximate  sequences  of  correlated  equilibria.  Our  findings  therefore  suggest  that,  in  a  broad  range  of  multi-agent  systems  where  non-stationarity  is  prevalent,  algorithms  designed  to  compete  with  dynamic  benchmarks  can  improve  both  individual  and  welfare  guarantees,  and  their  emerging  dynamics  approximate  a  sequence  of  static  equilibrium  outcomes.
■590    ▼aSchool  code:  0212.
■650  4▼aMotivation
■650  4▼aInteger  programming
■650  4▼aDecision  making
■650  4▼aBenchmarks
■650  4▼aPrices
■650  4▼aComputer  science
■690    ▼a0984
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359280▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서