XiaoMi-AI文件搜索系统
World File Search System勾结
算法勾结而没有威胁 - 滴
最近一直担心自动化定价算法可能会学会“相交”。超级竞争价格的价格可能会成为反复定价游戏的纳什均衡，在这种情况下，如果卖家从竞争对手中“缺陷”，卖家会发挥策略，这些策略有可能惩罚他们的竞争对手，并且可以自动学习这些策略。，但威胁的脸上是反竞争的。实际上，标准的经济直觉是，超级竞争性的价格来自使用威胁，或者一方未能正确优化其回报。这是正确的吗？在卖方优化自己的收入时，会明确防止算法决策中的威胁防止超竞争价格吗？编号我们表明，即使两个玩家都使用没有明确编码威胁并为自己的收入进行优化的算法，竞争性价格也可以强劲地出现。由于部署算法是一种承诺形式，因此我们研究了顺序的Bertrand定价游戏（和连续的变体），其中第一个搬运工部署了算法，然后在结果环境中进行了第二个搬运工。我们表明，如果第一个搬运工部署了任何没有重新保证的算法，然后第二个搬运工甚至在这个现在静态的环境中大致优化了，则会出现类似垄断的价格。实际上，存在一系列策略，它们都没有明确编码在算法空间中同时定价游戏的NASH均衡的威胁，并导致了几乎垄断价格。该结果适用于第一搬家部部署的任何无regret学习算法，以及第二名搬运工的任何定价政策，这些算法至少获得了与随机定价一样高的利润 - 因此，即使第二种推动者仅在非响应定价分布的空间内进行优化，这些结果即使仅在非响应定价分布的空间内进行优化，这些分配具有相当可观的机构威胁。这表明可能需要扩展“算法勾结”的定义，以包括没有明确编码威胁的策略。
AI驱动的交易，算法勾结和价格...
算法交易和增强学习的整合，称为AI驱动的交易，对资本市场产生了重大影响。本研究利用知情的投机者之间具有不对称信息的模型来探讨AI驱动的交易策略对投机者的市场能力，信息租金，价格信息，市场流动性和错误定价的影响。我们的结果表明，即使知情的AI投机者“不知道”勾结，他们也可以自主学习采用辅助交易策略。这些辅助策略使他们能够通过战略性地对信息进行策略性反应，即使没有任何形式的协议或沟通，更不用说可能违反传统反托拉斯法规的互动来实现竞争性交易。算法勾结来自两个不同的机制。第一种机制是通过采用价格触发策略（“人工智能”），而第二种机制源于同质学习偏见（“人造愚蠢”）。以前的机制仅在价格效率有限和噪音交易风险的情况下才能明显。相比之下，即使在高价效率或大噪声交易风险的条件下，后者仍然存在。因此，在流行的AI驱动交易的市场中，价格信息和市场流动性都可能遭受，反映了人工智能和愚蠢的影响。
在算法定价世界中的竞争与勾结
在许多行业中，企业依靠算法定价系统，这些定价系统大量的市场数据可以推荐或设定价格。多年来，在《谢尔曼法案》第1和第2条中，使用常规反托拉斯原则评估了使用常规反托拉斯原则评估算法定价工具的影响。随着计算能力和人工智能领域的快速发展，算法工具更容易访问，并且越来越能够执行诸如定价之类的复杂任务，导致许多人重新评估了根据反污染法来阻止犯罪行为的传统方法。竞争执行者正在探索如何使用反托拉斯法律，包括《谢尔曼法》第1条和《 FTC法》第5条，以解决新一代复杂的定价算法，销售商，销售商和AI模型的新一代“算法勾结”风险。
算法勾结时代的信息交流和反托拉斯风险
•例如，在波斯湾公司诉BP W. Coast Prod。LLC，632 F. Supp。3d 1108（S.D.cal。2022），地方法院发现，原告没有表明信息交流的部分是阴谋，部分原因是被告不仅是竞争对手“，而且是客户和供应商”，这改变了“从信息交流中得出的允许推论范围”。
算法勾结：神话或现实 - 工作论文
5 https://www.justice.gov/atr/case/us-v-david-topkins 6 https://www.gov.uk/cma-case/cma-cases/online-sales/online-sales-of-decretionary-consumer-consumer-products 7 https://www.ofgem.gov.uk/publications/ofgem-finds-finds-s-gas-and-and-lectricity-ecomony-ecomony-energy-energy-andergy-and-dyball- cosseach-competition law 8 2018年7月24日委员会的决定，2018年7月24日，at.40469 9 Meyer v.Kalanick，174 F. supps，174 F.3d 817，823-25（S.D.N.Y。2016）10 CCI（印度委员会）的裁决2018年11月6日，通过印度最高法院在2000年12月15日通过中介平台（OLA和UBER）拒绝了通过中介平台（OLA和UBER）提出的指控。11号行政程序编号08700.008318/2016-29，CADE（巴西竞争局）12 https://curia.europa.eu/juris/juris/liste.jsf?language= en＆num = c-542/14 13参见Gibson等人。诉米高梅渡假胜地，美国地方法院，内华达州，2023年7月11日。14哥伦比亚特区诉Real Page等。2023年11月1日15见布朗和埃克特（2022）。16 https://www.justice.gov/atr/final-judgry-us-v--irline-tariff-publishis-publishing-company-et-al-17 cade由凯德（Cade）于2004年9月作出的决定。
AI驱动的交易，算法勾结和价格...
算法交易和增强学习的整合，称为AI驱动的交易，对资本市场产生了重大影响。本研究利用知情的投机者之间具有不对称信息的模型来探讨AI驱动的交易策略对投机者的市场能力，信息租金，价格信息，市场流动性和错误定价的影响。我们的结果表明，即使知情的AI投机者“不知道”勾结，他们也可以自主学习采用辅助交易策略。这些辅助策略使他们能够通过战略性地对信息进行策略性反应，即使没有任何形式的协议或沟通，更不用说可能违反传统反托拉斯法规的互动来实现竞争性交易。算法勾结来自两个不同的机制。第一种机制是通过采用价格触发策略（“人工智能”），而第二种机制源于同质学习偏见（“人造愚蠢”）。以前的机制仅在价格效率有限和噪音交易风险的情况下才能明显。相比之下，即使在高价效率或大噪声交易风险的条件下，后者仍然存在。因此，在流行的AI驱动交易的市场中，价格信息和市场流动性都可能遭受，反映了人工智能和愚蠢的影响。
在线广告中的人工智能，算法招标和勾结
3 a nash平衡（b i）i∈I如果xρ（i）（v i-bρ（i）+1）≥xρ（i）-1（i） - 1（v i-bρ（i））。eos修复是满足这种情况的最低收入的纳什均衡。这种修复尤其重要，因为它符合搜索引擎在这些拍卖中竞标的教程。参见，例如，Hal Varian通过遵循此竞标策略来教授如何最大化的Google Adword教程：https：//www.youtube.com/watch?v=tw3brmld1c8。
算法勾结：公司问责制和艺术的应用。 101 tfeu
Maria Giacalone * a Broxtract：对人工智能（AI）设定市场价格的日益依赖，尤其是在数字市场中，导致了算法勾结的威胁，在这种情况下，定价算法使竞争对手之间的市场行为与竞争者之间的行为保持一致。这种见解研究了这种做法的含义，强调了最近《欧洲AI法》所采取的方法的相关性，该法规调节了AI系统的发展和就业。虽然定价算法可以通过迅速响应供求的波动来提高市场效率，但它们也引起了人们对抗竞争力效应的担忧。讨论了两种不同的情况：可预测的药物和数字眼，其中算法在人类控制下或以自治方式运行。在可预测的代理方案中，算法的行为可以归因于该事业，可能会导致ART下的责任。101 Tfeu。 相反，数字眼景挑战了由于其自主权而导致算法的行为的责任。 为了解决这些问题，洞察力讨论了《 AI法案》中强调的“设计合规性”，该法案要求企业确保其算法符合反托拉斯规则。 这是“结果可见性”的补充，即使算法已按照指南进行了编程，也规定了纠正任何反竞争结果的承诺。 在一起，这些措施旨在平衡AI的好处，并需要防止在数字市场中进行合并实践。101 Tfeu。相反，数字眼景挑战了由于其自主权而导致算法的行为的责任。为了解决这些问题，洞察力讨论了《 AI法案》中强调的“设计合规性”，该法案要求企业确保其算法符合反托拉斯规则。这是“结果可见性”的补充，即使算法已按照指南进行了编程，也规定了纠正任何反竞争结果的承诺。在一起，这些措施旨在平衡AI的好处，并需要防止在数字市场中进行合并实践。
超越人类干预：通过多学院学习策略算法勾结
市场定价中的勾结是与人为通过人为有限的供应提高市场价格的人类行为相关的概念。最近，提出了算法勾结的想法，其中人类在定价过程中的行动被自动化的代理所取代。实验表明，可以通过这种技术达到共谋市场平衡，而无需人工间，但许多技术的发展仍然容易受到其他参与者的剥削，因此在实践中很难实施。在本文中，我们探讨了一个代理具有多目标策略的情况，不仅学会了单方面利用源自其他算法代理的市场动态，而且还学会了直接对其他代理的行为进行建模。我们的结果表明，如何通过使用稍微复杂的算法来克服现实生活中算法勾结的可行性的共同批评。