动态网络下去中心化最优均衡学习算法获新进展

早期研究聚焦于在有限博弈的静态通信网络中实现社会最优均衡的去中心化学习，旨在让多个代理在缺乏全局信息的情况下，仅通过局部交互收敛到具有社会可取性的均衡状态。 2026年10月，Seref Taha Kiremitci 和 Muhammed O. Sayin 在 arXiv 发布了最新进展，针对动态通信网络提出了新的去中心化学习动力学。该新方案允许代理在邻居随时间变化的情况下，仅通过低带宽消息进行交流，解决了静态假设在现实动态网络中不适用的问题。 该方法结合了表融合与时序多数重建技术，在完全分散架构下有效缓解了动态通信带来的干扰。研究证明，在效用主义和比例公平的社会福利目标下，该算法提供了有限时对数后悔保证，模拟结果证实其能稳定选出具社会可取性的均衡。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。