MAGIKS: Fair Multi-Resource Allocation Game Induced by Kalai-Smorodinsky Bargaining Solution
Notice bibliographique
Résumé
We study the problem of fair and efficient mechanism design for allocating multiple resources in multiple servers among a set of users with Leontief utilities. This problem is motivated by a mobile edge computing environment where each mobile user cannot establish a wireless connection simultaneously to multiple edge servers. Each user is a selfish utility maximizing agent that chooses a single server for its job execution. When a server is shared by multiple users, a resource allocation rule decides the utility that each user must receive. Our goal is to design a mechanism that always admits a Nash Equilibrium (NE), i.e., a state where no user has incentive to change its server, that (1) can be reached in polynomial time and (2) provides fair and efficient resource allocation. We propose the Multi-resource Allocation Game Induced by Kalai-Smorodinsky bargaining solution (MAGIKS) and prove that under discrete resource demands it finds an NE in <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$\mathcal {O}({\textrm {poly}(n)})$ </tex-math></inline-formula> moves for any fixed server configuration, where <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$n$ </tex-math></inline-formula> is the number of users. Furthermore, MAGIKS satisfies envy-freeness, sharing incentive, and Pareto optimality on each server. Regarding fairness among users in different servers, we prove that MAGIKS satisfies 2-approximate envy-freeness and maximin share guarantee. Moreover, we show that 2-approximate envy-freeness is the best that any mechanism that satisfies local Pareto optimality can achieve at its NEs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,011 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».