We study the Nash equilibrium and the price of anarchy in the max-distance network creation game. The network creation game, first introduced and studied by Fabrikant et al., is a classic model for real-world networks from a game-theoretic point of view. In a network creation game with $n$ selfish vertex agents, each vertex can build undirected edges incident to a subset of the other vertices. The goal of every agent is to minimize its creation cost plus its usage cost, where the creation cost is the unit edge cost $\alpha$ times the number of edges it builds, and the usage cost is the sum of distances to all other agents in the resulting network. The max-distance network creation game, introduced and studied by Demaineet al., is a key variant of the original game, where the usage cost takes into account the maximum distance instead. The main result of this paper shows that for $\alpha \geq 23$ all equilibrium graphs in the max-distance network creation game must be trees, while the best bound in previous work is $\alpha > 129$. We also improve the constant upper bound on the price of anarchy to $3$ for tree equilibria. Our work brings new insights into the structure of Nash equilibria and takes one step forward in settling the so-called tree conjecture in the max-distance network creation game.


翻译:我们研究了最大距离网络创建游戏中的纳什平衡和无政府状态价格。 由Fabrikant等人首先推出和研究的网络创建游戏, 是游戏理论观点中真实世界网络的经典模型。 在使用自私的顶点代理器的网络创建游戏中, 每个顶点可以将非方向边缘事件构建为其它顶点的一个子。 每个代理商的目标是将创建成本及其使用成本最小化, 其中创建成本是单位边缘成本( ALpha美元)乘以所建立的边缘数, 而使用成本则是与由此建立的网络中所有其他代理商的距离之和。 由Demaineet al. 介绍和研究的顶点网络创建游戏是原始游戏的关键变体, 使用成本可以考虑最大距离。 本文的主要结果显示, 对于 $alpha\ geq 23$, 最大距离网络创建成本的所有平衡图都必须是树木, 而先前工作的最佳约束值是$\alpha- reallib> 最大距离网络的距离游戏。 我们将一个固定步骤提升到一个直径 Stal Stal 结构, 3ximal Stal Stal stral strueal strual strute strute strute strual lax strute lax stral strual strual strual strual strual laxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

0
下载
关闭预览

相关内容

Networking:IFIP International Conferences on Networking。 Explanation:国际网络会议。 Publisher:IFIP。 SIT: http://dblp.uni-trier.de/db/conf/networking/index.html
【IJCAI2021】​单样本可供性检测
专知会员服务
9+阅读 · 2021年8月27日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12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
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
已删除
将门创投
8+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2022年1月6日
Arxiv
0+阅读 · 2022年1月4日
VIP会员
相关资讯
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
已删除
将门创投
8+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员