Buchumschlag

Taming Equilibrium Bias in Risk-Sensitive Multi-Agent Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fei, Yingjie, Xu, Ruitu
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Science and Game Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Explore Reinforced: Equilibrium Approximation with Reinforcement Learning
von: Yu, Ryan, et al.
Veröffentlicht: (2024)

Decentralized Multi-Agent Reinforcement Learning for Continuous-Space Stochastic Games
von: Altabaa, Awni, et al.
Veröffentlicht: (2023)

T-TAMER: Provably Taming Trade-offs in ML Serving
von: Yang, Yuanyuan, et al.
Veröffentlicht: (2025)

Impact of Price Inflation on Algorithmic Collusion Through Reinforcement Learning Agents
von: Tinoco, Sebastián, et al.
Veröffentlicht: (2025)

Online Learning for Equilibrium Pricing in Markets under Incomplete Information
von: Jalota, Devansh, et al.
Veröffentlicht: (2023)

Exploiting Approximate Symmetry for Efficient Multi-Agent Reinforcement Learning
von: Yardim, Batuhan, et al.
Veröffentlicht: (2024)

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

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

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

Sharp Results for Hypothesis Testing with Risk-Sensitive Agents
von: Shi, Flora C., et al.
Veröffentlicht: (2024)

Risk Sensitivity in Markov Games and Multi-Agent Reinforcement Learning: A Systematic Review
von: Ghaemi, Hafez, et al.
Veröffentlicht: (2024)

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

Satisficing Paths and Independent Multi-Agent Reinforcement Learning in Stochastic Games
von: Yongacoglu, Bora, et al.
Veröffentlicht: (2021)

A Reinforcement Learning Approach in Multi-Phase Second-Price Auction Design
von: Ai, Rui, et al.
Veröffentlicht: (2022)

Learning in Online Principal-Agent Interactions: The Power of Menus
von: Han, Minbiao, et al.
Veröffentlicht: (2023)

Deep Incentive Design with Differentiable Equilibrium Blocks
von: Thoma, Vinzenz, et al.
Veröffentlicht: (2026)

Online Learning and Equilibrium Computation with Ranking Feedback
von: Liu, Mingyang, et al.
Veröffentlicht: (2026)

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

Puzzle it Out: Local-to-Global World Model for Offline Multi-Agent Reinforcement Learning
von: Li, Sijia, et al.
Veröffentlicht: (2026)

Principal-Agent Reinforcement Learning: Orchestrating AI Agents with Contracts
von: Ivanov, Dima, et al.
Veröffentlicht: (2024)

Convergence to Nash Equilibrium and No-regret Guarantee in (Markov) Potential Games
von: Dong, Jing, et al.
Veröffentlicht: (2024)

PrefBench: Evaluating Zero-Shot LLM Agents in Hidden-Preference Personalized Pricing Negotiations
von: Lei, Yingjie
Veröffentlicht: (2026)

NePPO: Near-Potential Policy Optimization for General-Sum Multi-Agent Reinforcement Learning
von: Kalanther, Addison, et al.
Veröffentlicht: (2026)

Learning to Incentivize in Repeated Principal-Agent Problems with Adversarial Agent Arrivals
von: Liu, Junyan, et al.
Veröffentlicht: (2025)

Large-Scale Contextual Market Equilibrium Computation through Deep Learning
von: Ma, Yunxuan, et al.
Veröffentlicht: (2024)

Performative Reinforcement Learning with Linear Markov Decision Process
von: Mandal, Debmalya, et al.
Veröffentlicht: (2024)

Reinforcement Learning for Game-Theoretic Resource Allocation on Graphs
von: An, Zijian, et al.
Veröffentlicht: (2025)

Reducing Optimism Bias in Incomplete Cooperative Games
von: Úradník, Filip, et al.
Veröffentlicht: (2024)

Mitigating the Participation Bias by Balancing Extreme Ratings
von: Guo, Yongkang, et al.
Veröffentlicht: (2025)

Incentivized Learning in Principal-Agent Bandit Games
von: Scheid, Antoine, et al.
Veröffentlicht: (2024)

Learning to Lead: Incentivizing Strategic Agents in the Dark
von: Wu, Yuchen, et al.
Veröffentlicht: (2025)

Multi-Agent Combinatorial-Multi-Armed-Bandit framework for the Submodular Welfare Problem under Bandit Feedback
von: Pokhriyal, Subham, et al.
Veröffentlicht: (2026)

Robust and Performance Incentivizing Algorithms for Multi-Armed Bandits with Strategic Agents
von: Esmaeili, Seyed A., et al.
Veröffentlicht: (2023)

Global Convergence of Multi-Agent Policy Gradient in Markov Potential Games
von: Leonardos, Stefanos, et al.
Veröffentlicht: (2021)

Learning from Random Demonstrations: Offline Reinforcement Learning with Importance-Sampled Diffusion Models
von: Fang, Zeyu, et al.
Veröffentlicht: (2024)

ReLExS: Reinforcement Learning Explanations for Stackelberg No-Regret Learners
von: Huang, Xiangge, et al.
Veröffentlicht: (2024)

Intersectional Fairness in Reinforcement Learning with Large State and Constraint Spaces
von: Eaton, Eric, et al.
Veröffentlicht: (2025)

Balancing of competitive two-player Game Levels with Reinforcement Learning
von: Rupp, Florian, et al.
Veröffentlicht: (2023)

Machine-Learned Prediction Equilibrium for Dynamic Traffic Assignment
von: Graf, Lukas, et al.
Veröffentlicht: (2021)

Nash Equilibrium Between Consumer Electronic Devices and DoS Attacker for Distributed IoT-enabled RSE Systems
von: Chen, Gengcan, et al.
Veröffentlicht: (2025)