机构名称：
¥ 4.0
合作通常会增加人类和其他物种的福利，但是激励代理人合作可能很困难。囚犯的困境提炼了这种社会困境的基本激励措施和回报：帕累托有效的结果是在主导的策略中，因此每个人都有强大的动力来自由骑行对另一个玩家。从理论上讲，众所周知，未来互动或重复的可能性是建立自私者之间合作的可能性：未来的遭遇可通过双关语威胁来激励合规性。然而，由于有无数的均衡，这是足够高的差异因素和不合作的平衡持续存在，因此研究如何发挥重复囚犯的困境是一种经验性练习。庞大的实验文献（请参阅下面的文献评论）解决了人类参与者合作的决定因素，形式和水平。我们研究自学算法如何发挥重复的囚犯困境。具体来说，我们将算法置于实验室实验中实施的相同经济环境中，并使用用于研究人类行为的工具分析其范围（Dal B´o and Fr´echette，2018年）。与人类一样，我们对决定因素，形式和合作水平感兴趣。在这些维度中的每个方面，我们都借鉴了实验文献，以了解社会困境中自学算法与人类之间的相似性和差异。首先，我们检查塑造人类合作的决定因素是否也影响算法合作。第二，我们询问算法采用哪种策略，并将其与人类的算法进行对比。最后，我们比较了人类与算法之间的合作水平，并询问哪些因素会导致差异。了解自学算法的行为至关重要（Rahwan等，2019）。毕竟，算法向人类提供建议或越来越多地决定他们。例如，算法可以自主驾驶汽车，调整金融投资组合，检测欺诈或设定价格等。某些自主算法在战略环境中运行，并与其他自学代理反复互动。这可能发生在协调问题中；例如，在选择流量路线或
算法合作
主要关键词
相关文件推荐
