Buchumschlag

By Fair Means or Foul: Quantifying Collusion in a Market Simulation with Deep Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Schlechtinger, Michael, Kosack, Damaris, Krause, Franz, Paulheim, Heiko
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SnapE -- Training Snapshot Ensembles of Link Prediction Models
von: Shaban, Ali, et al.
Veröffentlicht: (2024)

Do Similar Entities have Similar Embeddings?
von: Hubert, Nicolas, et al.
Veröffentlicht: (2023)

Integrating Meta-Features with Knowledge Graph Embeddings for Meta-Learning
von: Klironomos, Antonis, et al.
Veröffentlicht: (2026)

Fair Play for Individuals, Foul Play for Groups? Auditing Anonymization's Impact on ML Fairness
von: Arcolezi, Héber H., et al.
Veröffentlicht: (2025)

Simulation Priors for Data-Efficient Deep Learning
von: Treven, Lenart, et al.
Veröffentlicht: (2025)

ExeKGLib: A Platform for Machine Learning Analytics based on Knowledge Graphs
von: Klironomos, Antonis, et al.
Veröffentlicht: (2025)

ReaLitE: Enrichment of Relation Embeddings in Knowledge Graphs using Numeric Literals
von: Klironomos, Antonis, et al.
Veröffentlicht: (2025)

Deep Causal Learning to Explain and Quantify The Geo-Tension's Impact on Natural Gas Market
von: Peter, Philipp Kai, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning Agents for Strategic Production Policies in Microeconomic Market Simulations
von: Garrido-Merchán, Eduardo C., et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources
von: Li, Yikuan, et al.
Veröffentlicht: (2023)

FairDICE: Fairness-Driven Offline Multi-Objective Reinforcement Learning
von: Kim, Woosung, et al.
Veröffentlicht: (2025)

Group Fairness in Multi-Task Reinforcement Learning
von: Song, Kefan, et al.
Veröffentlicht: (2025)

Quantifying Memory Use in Reinforcement Learning with Temporal Range
von: Lafuente-Mercado, Rodney, et al.
Veröffentlicht: (2025)

Market Making Strategies with Reinforcement Learning
von: Vicente, Óscar Fernández
Veröffentlicht: (2025)

Boosting Automatic Exercise Evaluation Through Musculoskeletal Simulation-Based IMU Data Augmentation
von: Spilz, Andreas, et al.
Veröffentlicht: (2025)

Learning on the Job: Test-Time Curricula for Targeted Reinforcement Learning
von: Hübotter, Jonas, et al.
Veröffentlicht: (2025)

Recursive Deep Inverse Reinforcement Learning
von: Ghanem, Paul, et al.
Veröffentlicht: (2025)

Striking a Balance in Fairness for Dynamic Systems Through Reinforcement Learning
von: Hu, Yaowei, et al.
Veröffentlicht: (2024)

CAMA: Exploring Collusive Adversarial Attacks in c-MARL
von: Niu, Men, et al.
Veröffentlicht: (2026)

Multi-dataset and Transfer Learning Using Gene Expression Knowledge Graphs
von: Sousa, Rita T., et al.
Veröffentlicht: (2025)

Improving Knowledge Graph Embeddings through Contrastive Learning with Negative Statements
von: Sousa, Rita T., et al.
Veröffentlicht: (2025)

On the Interplay Between Sparsity and Training in Deep Reinforcement Learning
von: Davelouis, Fatima, et al.
Veröffentlicht: (2025)

Learning and Collusion in Multi-unit Auctions
von: Brânzei, Simina, et al.
Veröffentlicht: (2023)

An Invitation to Deep Reinforcement Learning
von: Jaeger, Bernhard, et al.
Veröffentlicht: (2023)

DISCOVER: Automated Curricula for Sparse-Reward Reinforcement Learning
von: Diaz-Bone, Leander, et al.
Veröffentlicht: (2025)

gpuRDF2vec -- Scalable GPU-based RDF2vec
von: Böckling, Martin, et al.
Veröffentlicht: (2025)

Breaking the Grid: Distance-Guided Reinforcement Learning in Large Discrete Action Spaces
von: Hoppe, Heiko, et al.
Veröffentlicht: (2026)

SimFair: Physics-Guided Fairness-Aware Learning with Simulation Models
von: Wang, Zhihao, et al.
Veröffentlicht: (2024)

A Harmonic Mean Formulation of Average Reward Reinforcement Learning in SMDPs
von: Shtossel, Erel, et al.
Veröffentlicht: (2026)

On the Statistical Efficiency of Mean-Field Reinforcement Learning with General Function Approximation
von: Huang, Jiawei, et al.
Veröffentlicht: (2023)

Advantages of Neural Population Coding for Deep Learning
von: Hoffmann, Heiko
Veröffentlicht: (2024)

Distributionally Robust Model-based Reinforcement Learning with Large State Spaces
von: Ramesh, Shyam Sundhar, et al.
Veröffentlicht: (2023)

Uncertainty-Aware Robotic World Model Makes Offline Model-Based Reinforcement Learning Work on Real Robots
von: Li, Chenhao, et al.
Veröffentlicht: (2025)

Multi-Agent Reinforcement Learning for Dynamic Pricing: Balancing Profitability,Stability and Fairness
von: Amma, Krishna Kumar Neelakanta Pillai Santha Kumari
Veröffentlicht: (2026)

Generative Modeling for Robust Deep Reinforcement Learning on the Traveling Salesman Problem
von: Li, Michael, et al.
Veröffentlicht: (2025)

Satisficing Exploration for Deep Reinforcement Learning
von: Arumugam, Dilip, et al.
Veröffentlicht: (2024)

Understanding and Diagnosing Deep Reinforcement Learning
von: Korkmaz, Ezgi
Veröffentlicht: (2024)

Causal-Paced Deep Reinforcement Learning
von: Cho, Geonwoo, et al.
Veröffentlicht: (2025)

Behavior-Consistent Deep Reinforcement Learning
von: Hussing, Marcel, et al.
Veröffentlicht: (2026)

Rethinking Plasticity in Deep Reinforcement Learning
von: He, Zhiqiang
Veröffentlicht: (2026)