Optimizing Mechanism Design in Multi-Agent Reinforcement Learning
Notice bibliographique
Résumé
The increasing adoption of agentic systems for decentralized deployment of artificial intelligence presents new challenges in efficiently selecting parameters that influence agents' learned behavior, applying mechanism design in complex settings, and combining diverse agent capabilities to achieve desired outcomes. Algorithmic mechanism design, an interdisciplinary field bridging computer science, mathematics, and economics, develops algorithms that guide rational agents toward desired behaviors. Its applications include resource allocation, cost-sharing, pricing, and combinatorial auctions. However, traditional methods face limitations due to computational constraints and static assumptions, making them less effective in dynamic environments characterized by uncertainty and change. This thesis addresses these limitations by integrating reinforcement learning (RL) and Bayesian Optimization (BO) to develop adaptive mechanisms in dynamic multi-agent settings. We introduce new frameworks for mechanism design in Multi-Agent Reinforcement Learning (MARL), relying on novel BO-based approaches to efficiently explore promising designs. MARL captures the complexity of dynamic interactions among multiple agents in stochastic environments, solving the underlying Markov Game to learn a joint policy. The computational complexity of evaluating multiple MARL scenarios is addressed by (I) extending Successor Features for transfer learning to Nash Equilibrium policies and (II) using BO-based frameworks to limit the evaluation budget, making the problem tractable. The effectiveness of the proposed mechanism design frameworks is showcased through extensive benchmark studies in practical applications such as setting service charges for drivers in taxi platforms, managing the exploitation of shared natural resources to maximize social welfare, optimizing hardware acquisition decisions in robot fleets for exploration missions, and defining optimal incentive and recruitment policies to maximize principal's objectives. Demonstrating the superiority of our methods over the state-of-the-art in real-world problems highlights the potential of integrating BO and MARL to optimize complex multi-agent systems, providing a robust foundation for future research in mechanism design.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».