AI与世界难题 · 理论计算机科学 · arXiv · 2026-10-22
用于动态网络全局-局部控制的强化学习及其在系统性风险中的应用
原标题: Reinforcement Learning for Global-Local Control of Dynamic Networks with Applications to Systemic Risk
作者提出一个面向动态网络控制问题的强化学习框架，其中决策将图级全局动作与节点级局部动作相结合。带有独立全局与局部策略头的消息传递神经网络可产生满足置换对称性与透明性约束的策略，而显式 Lipschitz 界为投影策略梯度算法提供了收敛保证。将该架构应用于金融网络中的系统性风险管理（监管机构在各机构之间分配资本干预），其表现优于标准前馈基线，并可扩展到大型网络。