Buchumschlag

Two-sided Competing Matching Recommendation Markets With Quota and Complementary Preferences Constraints

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Yuantong, Cheng, Guang, Dai, Xiaowu
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Computer Science and Game Theory Multiagent Systems
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Dynamic Matching Bandit For Two-Sided Online Markets
von: Li, Yuantong, et al.
Veröffentlicht: (2022)

Incentivized Exploration with Stochastic Covariates: A Two-Stage Mechanism Design for Recommender System
von: Li, Yuantong, et al.
Veröffentlicht: (2024)

Task Allocation in Customer-led Two-sided Markets with Satellite Constellation Services
von: Qiao, Jianglin, et al.
Veröffentlicht: (2025)

Two-Sided Manipulation Games in Stable Matching Markets
von: Hosseini, Hadi, et al.
Veröffentlicht: (2025)

Matching Multiple Experts: On the Exploitability of Multi-Agent Imitation Learning
von: Bergerault, Antoine, et al.
Veröffentlicht: (2026)

Nash Equilibria in Games with Playerwise Concave Coupling Constraints: Existence and Computation
von: Jordan, Philip, et al.
Veröffentlicht: (2025)

How Market Volatility Shapes Algorithmic Collusion: A Comparative Analysis of Learning-Based Pricing Algorithms
von: Sravon, Aheer, et al.
Veröffentlicht: (2025)

Unsynchronized Decentralized Q-Learning: Two Timescale Analysis By Persistence
von: Yongacoglu, Bora, et al.
Veröffentlicht: (2023)

Shapley Machine: A Game-Theoretic Framework for N-Agent Ad Hoc Teamwork
von: Wang, Jianhong, et al.
Veröffentlicht: (2025)

Survey on Strategic Mining in Blockchain: A Reinforcement Learning Approach
von: Li, Jichen, et al.
Veröffentlicht: (2025)

Preference-Based Multi-Agent Reinforcement Learning: Data Coverage and Algorithmic Techniques
von: Zhang, Natalia, et al.
Veröffentlicht: (2024)

Stackelberg Learning from Human Feedback: Preference Optimization as a Sequential Game
von: Pásztor, Barna, et al.
Veröffentlicht: (2025)

On Robust Popular Matchings with Tie-Bounded Preferences and Stable Matchings with Two-Sided Ties
von: De, Koustav
Veröffentlicht: (2025)

Partially Observable Multi-Agent Reinforcement Learning with Information Sharing
von: Liu, Xiangyu, et al.
Veröffentlicht: (2023)

Stochastic Principal-Agent Problems: Efficient Computation and Learning
von: Gan, Jiarui, et al.
Veröffentlicht: (2023)

Maximizing utility in multi-agent environments by anticipating the behavior of other learners
von: Assos, Angelos, et al.
Veröffentlicht: (2024)

Convex Markov Games and Beyond: New Proof of Existence, Characterization and Learning Algorithms for Nash Equilibria
von: Barakat, Anas, et al.
Veröffentlicht: (2026)

Strategically Robust Multi-Agent Reinforcement Learning with Linear Function Approximation
von: Gonzales, Jake, et al.
Veröffentlicht: (2026)

No-Regret Learning for Fair Multi-Agent Social Welfare Optimization
von: Zhang, Mengxiao, et al.
Veröffentlicht: (2024)

Efficient and Scalable Deep Reinforcement Learning for Mean Field Control Games
von: Peng, Nianli, et al.
Veröffentlicht: (2024)

Experience-replay Innovative Dynamics
von: Zhang, Tuo, et al.
Veröffentlicht: (2025)

Fair Contracts in Principal-Agent Games with Heterogeneous Types
von: Tłuczek, Jakub, et al.
Veröffentlicht: (2025)

Conservative classifiers do consistently well with improving agents: characterizing statistical and online learning
von: Sharma, Dravyansh, et al.
Veröffentlicht: (2025)

Competitive Algorithms for Multi-Agent Ski-Rental Problems
von: Wang, Xuchuang, et al.
Veröffentlicht: (2025)

Scalable Neural Incentive Design with Parameterized Mean-Field Approximation
von: Corecco, Nathan, et al.
Veröffentlicht: (2025)

Easy as ABCs: Unifying Boltzmann Q-Learning and Counterfactual Regret Minimization
von: D'Amico-Wong, Luca, et al.
Veröffentlicht: (2024)

Tractable Equilibrium Computation in Markov Games through Risk Aversion
von: Mazumdar, Eric, et al.
Veröffentlicht: (2024)

Independent Learning of Nash Equilibria in Partially Observable Markov Potential Games with Decoupled Dynamics
von: Jordan, Philip, et al.
Veröffentlicht: (2026)

Energy Minimization for Participatory Federated Learning in IoT Analyzed via Game Theory
von: Buratto, Alessandro, et al.
Veröffentlicht: (2025)

Provably Convergent Actor-Critic for MARL through Risk-aversion
von: Zhang, Yizhou, et al.
Veröffentlicht: (2026)

Offline congestion games: How feedback type affects data coverage requirement
von: Jiang, Haozhe, et al.
Veröffentlicht: (2022)

Tacit Coordination of Large Language Models
von: Aharon, Ido, et al.
Veröffentlicht: (2026)

Performative Prediction on Games and Mechanism Design
von: Góis, António, et al.
Veröffentlicht: (2024)

Breaking the Curse of Multiagency in Robust Multi-Agent Reinforcement Learning
von: Shi, Laixi, et al.
Veröffentlicht: (2024)

Independent Policy Mirror Descent for Markov Potential Games: Scaling to Large Number of Players
von: Alatur, Pragnya, et al.
Veröffentlicht: (2024)

Grouped Satisficing Paths in Pure Strategy Games: a Topological Perspective
von: Fu, Yanqing, et al.
Veröffentlicht: (2025)

Independent Learning in Constrained Markov Potential Games
von: Jordan, Philip, et al.
Veröffentlicht: (2024)

Multi-Agent Reinforcement Learning in Cybersecurity: From Fundamentals to Applications
von: Landolt, Christoph R., et al.
Veröffentlicht: (2025)

Incentivize Contribution and Learn Parameters Too: Federated Learning with Strategic Data Owners
von: Doshi, Drashthi, et al.
Veröffentlicht: (2025)

On the Power of Perturbation under Sampling in Solving Extensive-Form Games
von: Masaka, Wataru, et al.
Veröffentlicht: (2025)