一种基于图论和机器学习的方法，用于预测抗癌药物的物理化学性质 Haseeb Ahmad 和 Alaa Altassan

《Mathematics》：A Graph-Theoretical and Machine Learning Approach for Predicting Physicochemical Properties of Anti-Cancer Drugs Haseeb Ahmad and Alaa Altassan

　　

摘要

在设计奖励方案时，平台往往未能充分考虑那些更倾向于非物质激励的白帽用户的需求。为了研究在私人偏好信息下的激励设计问题，本文构建了一个具有不完全信息的动态博弈模型，并探讨了任命沟通专家如何有助于用户真实地披露偏好信息以及改进平台的激励策略。研究结果表明，平台的决策取决于白帽用户参与活动的净收益、他们的声誉损失以及平台对白帽用户参与行为的先验概率。当平台任命沟通专家时，一旦白帽用户的参与净收益超过某个阈值，他们就会如实披露自己的偏好信息。在这种情况下，平台能够识别用户的偏好类型，并将相应的激励措施与他们的偏好相匹配。然而，在信号传递不一致的情况下（即白帽用户使用物质性或非物质性激励来表达非物质性或物质性偏好时），平台就没有动机任命沟通专家了。