Mean Field (NCE) stochastic control: Populations of major and egoist-altruist agents
Notice bibliographique
Résumé
For noncooperative games the Nash Certainty Equivalence (NCE), or Mean Field (MF) methodology [1], [2] provides decentralized strategies which asymptotically yield Nash equilibria. An extension of this theory to populations of altruistic agents (defined with so-called social cost functions) and to mixed populations was carried out in [3], and a theory treating populations of egoistic agents and one or more so-called major agents was developed in [4]. In this paper we study the equilibria and the overall stability of dynamic LQG games, where (i) there is a single major agent and a large population of mixed minor agents, and (ii) the cost for each minor agent is a convex combination of its own cost and the social cost of the minor agents. We analyse the resulting equilibria, provide experimental results, and present a mean field stochastic control algorithm, which when applied by all agents in the system, gives rise to system behaviour where (i) all agents systems are L2stable, (ii) the set of controls yields an ε-Nash equilibrium for all ε, and (iii) if each minor agent in the system only considers the social cost, then the difference between (i) the cost observed by each minor agent and (ii) the social cost that would be observed if a centralized controller minimizes the social cost tends to zero as the population size grows to infinity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».