MARC

 008260126s2025        us                              c    eng  d
■001000017359368
■00520260202105109
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293893010
■035    ▼a(MiAaPQ)AAI32236861
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aZhao,  Geng.
■24510▼aPerspectives  on  Multi-Agent  Systems:  From  Characterization  to  Intervention
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a230  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Borgs,  Christian;Jiao,  Jiantao.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aMany  modern  applications  of  computing,  ranging  from  school  choices  to  epidemic  modeling,  are  fundamentally  multi-agent  in  nature,  involving  interactions  among  strategic  and  often  adaptive  entities.  This  thesis  presents  theoretical  methodologies  for  understanding  macroscopic  behaviors  in  such  multi-agent  systems  and  establishing  insights  that  inform  both  inference  and  learning  within  such  systems  as  well  as  the  design  and  improvement  of  mechanisms  and  interventions.Across  a  spectrum  of  settings,  we  showcase  how  mathematical  analysis  reveals  novel  understanding  on  the  structure  and  dynamics  of  various  multi-agent  systems  shaped  by  strategic  interactions  and  network  structures.  In  Stackelberg  games  with  information  asymmetry,  we  demonstrate  that  expert  follower  behavior  can  paradoxically  hinder  the  leader's  learning  process,  highlighting  subtle  challenges  in  multi-agent  learning  dynamics.  In  large  two-sided  matching  markets,  we  introduce  a  notion  of  agent  fitness  under  heterogeneous  preferences  and  prove  that  stable  outcomes  exhibit  universal  statistical  structure.  Such  structural  characterization  lends  further  insights  on  school  choice  systems,  as  we  show  that  the  widely  used  deferred  acceptance  mechanism  is,  with  high  probability,  far  from  Pareto  efficient.  We  then  turn  to  the  problem  of  estimating  global  parameters  in  networks  based  on  local  samples  and  propose  a  new  robustness  condition  under  which  certain  local  estimations  become  viable.  In  another  setting  where  network  structure  is  crucial,  we  study  the  control  of  epidemics  in  networks  with  community  structure,  assessing  the  effectiveness  of  common  intervention  strategies,  such  as  social  distancing  and  travel  restrictions.  Finally,  we  highlight  a  simple  token-based  local  policy  for  service  systems  such  as  kidney  exchanges,  and  show  that  it  effectively  maintains  stability  of  the  system.Together,  the  approaches  we  develop  form  a  methodological  toolkit  for  analyzing  multi-agent  systems  with  limited  information,  drawing  on  concepts  from  information  theory,  probability,  random  graph  theory,  and  game  theory.  They  demonstrate  how  mathematical  analysis  of  local  information  and  agent  behavior  can  yield  predictive  and  design-relevant  insights  into  the  global  dynamics  and  performance  of  large-scale  systems.
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  science
■650  4▼aRobotics
■653    ▼aMulti-agent  systems
■653    ▼aEpidemic  modeling
■653    ▼aMacroscopic  behaviors
■653    ▼aStackelberg  games
■653    ▼aLarge-scale  systems
■690    ▼a0984
■690    ▼a0800
■690    ▼a0771
■71020▼aUniversity  of  California,  Berkeley▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359368▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서