62 Arbeiten
Die Studie zeigt, dass Belohnungen in räumlichen Vertrauensspielen das Vertrauen nicht zwangsläufig fördern, da übermäßige Belohnungen zu einer Nicht-Rückzahlung führen und mittlere, aber kostspieligere Belohnungen effektiver sind als geringe Kosten, um Vertrauenscluster zu stabilisieren.
Die Autoren stellen einen neuen deterministischen, symmetrischen rekursiven Algorithmus zur Lösung von Mittelwertspielen vor.
Diese Arbeit untersucht die Meinungs dynamik in Multiplex-Netzwerken durch die Formulierung als koordinatives Spiel, wobei sie mittels spektraler Analyse zeigt, wie vernetzte Schichten sowohl die Konsensbildung beschleunigen als auch destabilisieren können.
Die Arbeit stellt Deep Incentive Design (DID) vor, ein differenzierbares Framework, das game-agnostische differentiable equilibrium blocks (DEBs) nutzt, um komplexe Anreizdesign-Probleme in Wirtschaft und Informatik durch das Training eines einzigen neuronalen Netzwerks zu lösen.
Die Studie zeigt, dass Large Language Models in Zwei-Armen-Bandit-Szenarien trotz Variationen der Dekodierungsparameter robuste, rigide Entscheidungsverzerrungen aufweisen, die durch niedrige Lernraten und hohe Inverse-Temperaturen erklärt werden und potenzielle Auswirkungen auf die Mensch-KI-Interaktion haben.
Dieses Papier stellt einen leichtgewichtigen, vollständig online arbeitenden Model-Predictive-Control-Rahmen vor, der mittels isotonischer Regression auf Streaming-Daten bidirektionale Modelle für Markenwerbung erstellt und so im Vergleich zu Baseline-Strategien die Ausgaben-effizienz und Kostenkontrolle erheblich verbessert.
Die Studie zeigt, dass aktuelle Benchmark-Verfahren zu nicht-existierenden Nash-Gleichgewichten und damit zu fehlgeleiteten Anreizen für das „Benchmaxxing" führen, während ein neu vorgeschlagenes „Tune-before-Test"-Protokoll unter milden Bedingungen ein eindeutiges Gleichgewicht garantiert, das Modelle korrekt nach ihrer latenten Qualität bewertet.
Diese Arbeit untersucht die Dynamik des voreingenommenen Interaktionsspiels als Modell für soziale Systeme, um zu zeigen, wie Voreingenommenheit und Knappheit Hierarchien, Ungleichheit und nichtlineares Verhalten erzeugen, und wendet das Modell erfolgreich auf extreme Gesellschaftsformen sowie den Vergleich von Sozialhilfe und bedingungslosem Grundeinkommen an.
Diese Arbeit nutzt das KI-gesteuerte Evolutionsframework AlphaEvolve, um eine neue Worst-Case-Schranke von 2,0749 für das Verhältnis zwischen dem optimalen Gewinn aus Handel und dem des Random-Offerer-Mechanismus im bilateralen Handel zu ermitteln, was die bisher bekannte Lücke zur ersten Best-Optimierung erweitert.
Die Arbeit stellt ein neues Framework für die Level-2-Inferenz vor, das in dezentralen Szenarien wie dem autonomen Fahren die Schätzungen von Agenten über die Ziele anderer erfasst, um die Beschränkungen bestehender Level-1-Methoden zu überwinden, die fälschlicherweise von vollständigem Wissen über die Ziele aller Akteure ausgehen.
Diese Arbeit stellt einen neuartigen lokalen Energiemarkt vor, der durch die Kombination des kombinatorischen Auktionsmechanismus mit maschinellem Lernen komplexe Präferenzen von Prosumern in einem intuitiven Format erfasst und so die Preisfindung beschleunigt sowie die Transparenz erhöht.
Die Arbeit zeigt, dass die Erweiterung von kausalen Normalformspielen auf sequenzielle Szenarien trotz theoretischer Eleganz und PSPACE-Vollständigkeit in der Praxis keine Wohlfahrtsverbesserung gegenüber klassischen Stackelberg-Gleichgewichten bietet, da rationale Rückwärtsinduktion kausale Vorteile eliminiert und somit neue theoretische Rahmenwerke jenseits des Nash-Gleichgewichts für KI-Agenten erforderlich macht.
Die Autoren zeigen, dass die Frage, ob eine gegebene berechenbare Strategie im Yu-Gi-Oh!-TCG von einem bestimmten Spielzustand aus gewinnt, unentscheidbar und sogar -vollständig ist, indem sie das Problem auf die Menge der abzählbaren Wohlordnungen reduzieren und dabei legale Decks verwenden.
Diese Arbeit stellt ein spieltheoretisches Evaluierungsframework vor, das das Quantal Response Equilibrium nutzt, um die strategische Raffinesse von Large Language Models auf einer kontinuierlichen Skala zu messen und dabei theoretische Fundierung, empirische Validierung sowie Hinweise auf Prompt-Sensitivität liefert.
Die Arbeit stellt Code-Space Response Oracles (CSRO) vor, ein neuartiges Framework, das in Multi-Agenten-Systemen herkömmliche Reinforcement-Learning-Orakel durch Large Language Models ersetzt, um direkt als menschenlesbarer Code generierte, interpretierbare und wettbewerbsfähige Strategien zu ermöglichen.
Die Arbeit untersucht die Komplexität von Ausschlusszonen und der Verzerrung beim Instant-Runoff-Voting auf Graphen und zeigt, dass beide Probleme auf Bäumen in Polynomialzeit lösbar sind, während sie für allgemeine Graphen bzw. für eine Klasse von Abstimmungsregeln mit der Eigenschaft „Strong Forced Elimination" NP-schwer bzw. co-NP-vollständig bleiben.
Die Studie zeigt, dass auf Large Language Models basierende Preisgestaltungsagenten in Oligopolen autonom zu überkompetitiven Preisen und Gewinnen neigen, wobei bereits subtile Änderungen in den Prompts das Ausmaß dieser Kollusion erheblich beeinflussen und neue regulatorische Herausforderungen aufwerfen.
Diese Arbeit löst eine offene Frage von Gorantla et al., indem sie explizite obere Schranken für die Anzahl der benötigten Kopien von Gütern und Aufgaben herleitet, um eine faire Zuteilung unter beliebigen Gruppen und Präferenzen zu garantieren, und dabei eine vereinfachte, konstruktive Methode einführt, die sich auch auf andere faire Teilungsprobleme erweitern lässt.
Die Arbeit entwickelt einen statistischen „Test-then-Punish"-Ansatz für wiederholte Spiele mit unvollkommener Überwachung, der durch die Einbettung von Hypothesentests in strategisches Verhalten und die Verwendung relaxierter Gleichgewichtsbegriffe zeigt, dass auch unter Unsicherheit über Abweichungen ein Folk-Theorem-Ergebnis erzielt werden kann.
Diese Studie zeigt, dass herkömmliche, zeitunabhängige Leistungsmetriken in Multi-Agenten-Szenarien koordinierte Verhaltensmuster wie Turn-taking oft übersehen, und führt daher neue, zeitlich sensitive Alternationsmetriken ein, die offenbaren, dass selbst lernbasierte Strategien trotz hoher aggregierter Belohnungen signifikant schlechter koordinieren als zufällige Baselines.