We consider General Lotto games of asymmetric information where one player's resource endowment is randomly assigned one of two possible values, and the assignment is not revealed to the opponent. We completely characterize the Bayes-Nash equilibria for two such formulations -- namely, one in which the opponent's endowment is fixed and common knowledge, and another where the opponent has a per-unit cost to utilize resources. We then highlight the impact these characterizations have on resource allocation problems involving a central commander that decides how to assign available resources to two sub-colonels competing in separate Lotto games against respective opponents. We find that randomized assignments, which induce the Bayesian game interactions, do not offer strategic advantages over deterministic ones when the opponents have fixed resource endowments. However, this is not the case when the opponents have per-unit costs to utilize resources. We find the optimal randomized assignment strategy can actually improve the commander's payoff two-fold when compared to optimal deterministic assignments, and four-fold in settings where the commander also pays a per-unit cost for resources.


翻译:我们考虑的是 " Lotto将军 " 的不对称信息游戏,其中一位玩家的天赋资源被随机地分配到两个可能的价值之一,而分配却没有透露给对手。我们完全把巴耶斯-纳什平衡描述为两种这种配方,即对手的天赋是固定的,是共同的知识,而对手的单位成本是利用资源的单位成本。我们然后强调这些定性对资源分配问题的影响,涉及一个中央指挥官,该指挥官决定如何将现有资源分配给在不同的洛托比赛中与对手竞争的两个分行。我们发现,在对手拥有资源天赋的情况下,诱导巴耶斯游戏互动的随机派任并不为确定性派提供战略优势。然而,当对手的单位成本是利用资源的单位成本时,情况并非如此。我们发现最佳随机派任战略实际上可以提高指挥官的双倍报酬,而与最佳定点派任务相比,在指挥官也为每个单位支付资源成本的情况下,四倍。

0
下载
关闭预览

相关内容

Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
【干货】谷歌Joshua Gordon 《TensorFlow 2.0讲解》,63页PPT
专知会员服务
27+阅读 · 2019年11月2日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【新书】Python编程基础,669页pdf
专知会员服务
193+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
已删除
将门创投
3+阅读 · 2018年4月10日
(TensorFlow)实时语义分割比较研究
机器学习研究会
9+阅读 · 2018年3月12日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
6+阅读 · 2020年9月29日
Adversarial Mutual Information for Text Generation
Arxiv
13+阅读 · 2020年6月30日
A General and Adaptive Robust Loss Function
Arxiv
8+阅读 · 2018年11月5日
VIP会员
相关VIP内容
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
【干货】谷歌Joshua Gordon 《TensorFlow 2.0讲解》,63页PPT
专知会员服务
27+阅读 · 2019年11月2日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【新书】Python编程基础,669页pdf
专知会员服务
193+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
已删除
将门创投
3+阅读 · 2018年4月10日
(TensorFlow)实时语义分割比较研究
机器学习研究会
9+阅读 · 2018年3月12日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员