Buchumschlag

Machine Learning Methods for Large Population Games with Applications in Operations Research

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dayanikli, Gokce, Lauriere, Mathieu
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Game-Theoretic Framework for Network Formation in Large Populations
von: Dayanikli, Gokce, et al.
Veröffentlicht: (2025)

Cooperation, Competition, and Common Pool Resources in Mean Field Games
von: Dayanikli, Gokce, et al.
Veröffentlicht: (2025)

A Machine Learning Method for Stackelberg Mean Field Games
von: Dayanikli, Gokce, et al.
Veröffentlicht: (2023)

How can the tragedy of the commons be prevented?: Introducing Linear Quadratic Mixed Mean Field Games
von: Dayanikli, Gokce, et al.
Veröffentlicht: (2024)

Modeling of Rumor Propagation in Large Populations with Network via Graphon Games
von: Liu, Huaning, et al.
Veröffentlicht: (2025)

Regulation of Rumor Propagation via (Multi-Leader) Stackelberg Graphon Games
von: Liu, Huaning, et al.
Veröffentlicht: (2026)

Modeling Epidemic Spread with Strategic Vaccination and Socialization: a Mean Field Game Analysis
von: Liu, Huaning, et al.
Veröffentlicht: (2026)

Recent Developments in Machine Learning Methods for Stochastic Control and Games
von: Hu, Ruimeng, et al.
Veröffentlicht: (2023)

Population-Aware Imitation Learning in Mean-field Games with Common Noise
von: Lambrecht, Grégoire, et al.
Veröffentlicht: (2026)

Discrete-Time Mean Field Type Games: Probabilistic Setup
von: Lambrecht, Grégoire, et al.
Veröffentlicht: (2025)

An Overview of Some Extensions of Mean Field Games beyond Perfect Homogeneity and Anonymity
von: Laurière, Mathieu
Veröffentlicht: (2025)

Convergence of Multi-Scale Reinforcement Q-Learning Algorithms for Mean Field Game and Control Problems
von: Angiuli, Andrea, et al.
Veröffentlicht: (2023)

Linear-Quadratic Mean-Field Reinforcement Learning: Convergence of Policy Gradient Methods
von: Carmona, René, et al.
Veröffentlicht: (2019)

Learning Fair Policies for Infectious Diseases Mitigation using Path Integral Control
von: Jia, Zhuangzhuang, et al.
Veröffentlicht: (2025)

Deep Learning for the Multiple Optimal Stopping Problem
von: Laurière, Mathieu, et al.
Veröffentlicht: (2025)

Convergence of Actor-Critic Learning for Mean Field Games and Mean Field Control in Continuous Spaces
von: Fouque, Jean-Pierre, et al.
Veröffentlicht: (2025)

Reinforcement Learning for Finite Space Mean-Field Type Games
von: Shao, Kai, et al.
Veröffentlicht: (2024)

Deep Backward and Galerkin Methods for the Finite State Master Equation
von: Cohen, Asaf, et al.
Veröffentlicht: (2024)

Reconciling Discrete-Time Mixed Policies and Continuous-Time Relaxed Controls in Reinforcement Learning and Stochastic Control
von: Carmona, Rene, et al.
Veröffentlicht: (2025)

Learning to Stop: Deep Learning for Mean Field Optimal Stopping
von: Magnino, Lorenzo, et al.
Veröffentlicht: (2024)

Incorporating Authority Perception, Economic Status, and Behavioral Response in Infectious Disease Control
von: Liu, Huaning, et al.
Veröffentlicht: (2025)

Learning equilibria in Cournot mean field games of controls
von: Camilli, Fabio, et al.
Veröffentlicht: (2024)

Analysis of Multiscale Reinforcement Q-Learning Algorithms for Mean Field Control Games
von: Angiuli, Andrea, et al.
Veröffentlicht: (2024)

A Deep Learning Method for Optimal Investment Under Relative Performance Criteria Among Heterogeneous Agents
von: Laurière, Mathieu, et al.
Veröffentlicht: (2024)

An Efficient On-Policy Deep Learning Framework for Stochastic Optimal Control
von: Hua, Mengjian, et al.
Veröffentlicht: (2024)

Operator Learning for Families of Finite-State Mean-Field Games
von: Hofgard, William, et al.
Veröffentlicht: (2026)

Operational Research: Methods and Applications
von: Petropoulos, Fotios, et al.
Veröffentlicht: (2023)

Deep Signature Approach for McKean-Vlasov FBSDEs in a Random Environment
von: Hu, Ruimeng, et al.
Veröffentlicht: (2025)

Bench-MFG: A Benchmark Suite for Learning in Stationary Mean Field Games
von: Magnino, Lorenzo, et al.
Veröffentlicht: (2026)

Solving Continuous Mean Field Games: Deep Reinforcement Learning for Non-Stationary Dynamics
von: Magnino, Lorenzo, et al.
Veröffentlicht: (2025)

Robust mean-field control under common noise uncertainty
von: Laurière, Mathieu, et al.
Veröffentlicht: (2025)

Operator-Theoretic Methods for Differential Games
von: Bakker, Craig, et al.
Veröffentlicht: (2025)

Dual Approaches to Stochastic Control via SPDEs and the Pathwise Hopf Formula
von: Laurière, Mathieu, et al.
Veröffentlicht: (2026)

Learning in Mean Field Games: A Survey
von: Laurière, Mathieu, et al.
Veröffentlicht: (2022)

Global Solutions to Master Equations for Continuous Time Heterogeneous Agent Macroeconomic Models
von: Gu, Zhouzhou, et al.
Veröffentlicht: (2024)

Bundle Network: a Machine Learning-Based Bundle Method
von: Demelas, Francesca, et al.
Veröffentlicht: (2025)

Low-Order Explicit Hessian Imitation Method for Large-Scale Supervised Machine Learning
von: Zhu, Yunlang, et al.
Veröffentlicht: (2026)

An Operator Splitting Method for Large-Scale CVaR-Constrained Quadratic Programs
von: Luxenberg, Eric, et al.
Veröffentlicht: (2025)

Probabilistic Analysis of Graphon Mean Field Control
von: Cao, Zhongyuan, et al.
Veröffentlicht: (2025)

Patient Transport in Hospitals: A Literature Review of Operations Research and Management Science Methods
von: Klein, Tom Lorenz, et al.
Veröffentlicht: (2024)