（类似地，设计师可以用一种更简单的方法，通过局部c-优势来检查局部策略证明。）由于定理2，设计者不必担心这种倾向；她实际上可以利用它来设计游戏，在这里，单独分析每个场景特别简单——在我们的TTC游戏第4节中，展示一厢情愿的主导行为非常简单。5局部最终主导在本节中，我们通过博弈树内生化意外情况，并在“以同样的方式继续”的理念下比较行动。我们首先介绍从现在起将使用的连续性分区（以及我们在所有示例和应用中使用的分区）。修复信息集h∈ 你好每个动作ai∈ 啊，让我说-注意所有的-我∈ s-对于（i）任何以下属性：∈ Si（h，ai），没有h′∈ H*这是什么 h′ ζ（si，s）-i） 。这些是o方的策略，在选择aiat h后，为玩家i终止游戏*（h，ai）表示i的行为信息集，另一方面，人们也可能想要施加“完美回忆”的属性：如果h′ h、 Sh′不应比S粗糙-由Sh诱导的i（h′）。我们不确切地施加这样的条件，因为它们对于我们的正式结果是不必要的。通过完美的回忆，每个si∈ Si（h，ai）与s诱导相同的路径-i、 使用ofi策略只是为了不引入额外的符号：每个-这是h的一段独特历史，该房产的所有特征是a和s-i、 这段历史还在继续。立即跟随h和ai。

现在，给一个ctio n对（ai，ai）∈ Ahi×Ahi，letSai，ai（h）=Sai，h-我∩ 赛，h-i、 saai（h）=Sai，h-我说-i、 saai（h）=Sai，h-我说-iSai，ai（h）=S-i（h）\\（Sai，h）-我∪ 赛，h-i） 。换句话说，这些集合中的每一个都包含了对手的策略，如果玩家选择了动作和上标，就终止游戏，如果玩家选择下标的动作，就不终止游戏。注意S（h，ai，ai）=赛艾（h），赛艾（h），赛艾（h），赛艾（h），赛艾（h）隔墙-i（h）。给定一个动作对，我们将其称为结束分区。在局部的观点下，结束的划分似乎很自然，因为它真正区分了基于“局部性”的场景。两个动作之间的决策问题是：从两个动作终止游戏时的“完全局部”，到需要一定程度的预见，否则。尤其是，玩家可以问自己，在什么情况下，她将来需要再次参加比赛，因此只为该场景设想一些延续计划——下一个主导地位的概念将明确这一点。此外，为了识别这些场景，玩家只需查看下一个活动阶段。最后的划分比（S）给出的划分的相交处略粗-i（h′）h′∈H*（h，a′i）（加上S的剩余子集）-i（h）），对于每一个\'i=ai，ai。（布景）-i（h′）是不相交的，包含在S中-我（h）是因为完美回忆。）因此，就我们的玩家在下一个活动信息集可能持有的信息而言，它是“可测量的”。我们认为，如果玩家至少可以提前一步计划（正如我们所知道的所有支配地位概念所假设的那样，除了皮西亚和特洛扬2021年的简单明显支配地位之外），她可以预测下一个决策节点面临的战略形势，因此她可以确定最终的划分。

从更直观的角度来看，游戏是否会结束这个问题的答案取决于是否达到了一个新的活跃信息，并且只取决于对手当时采取的行动。在不失去普遍性的情况下，我们也可以让答案独立于过去的行为，通过让行为对过去的行为进行编码——请参阅我们的TTC游戏中的一个简单例子。接下来，我们将介绍模仿计划的概念。设τ（h）表示信息集h的阶段。Fixsi，si∈ Si（h）和a场景S-我 s-i（h）。我们说simimicks标志着-我知道，永远都是-我∈ s-i、 以下条件适用：每小时∈ H*（h，si（h）），对于每一个h′，h′∈ 他说 h′ ζ（si，s）-i） ，h′ ζ（si，s）-i） 和τ（h′）=τ（h′），我们有si（h′）=si（h′）。换句话说，模仿计划规定了与原始计划相同的行动，从h之后的第一个活动信息集开始，无论支持方的策略如何-i、 模仿只从第一个活动信息集开始的原因是，在之前，玩家可能会被迫“保留”在h选择的动作，因为在我们的TTC游戏中，这是很自然的假设。只有在赛后玩家i没有或没有使用比赛后玩家活跃时更准确的对手移动信息时，才能模拟计划。通过模仿计划，我们引入了无关的概念。我们说那是-与h时的（ai，ai）相关的iis ir，对于每个si∈ Si（h，ai），存在Si∈ 模拟sigiven h和S的Si（h，a）-我就是这样s-我∈s-i、 gi（ζ（si，s）-i） ）=gi（ζ（si，s）-i） ）。（18） 我们说那是-当它不是无关紧要的时候，它是相关的。我们认为这两种行为是无关的，因为我们考虑的是一个玩家想要评估ai是否占主导地位，并且正确地忽略一个场景——在ai之后，她也可以获得空洞的结果。

由于要求在同一条道路上继续下去会产生完全相同的结果，而不是更好的结果，我们的目标是挑出仅通过理解游戏的递归结构就可以发现的不相关的场景——不应该真的需要正确的预见或连续计划的配对。我们现在准备介绍我们的主导概念，以结束分裂和无关。定义6修复信息集h∈ H*我和一对动作组合（ai，ai）∈ 啊，啊。动作通常以结束为主（e-domines）动作aiif为e-v-related-我∈S（h，ai，ai），对于每个si∈ Si（h，ai），存在Si∈ 模仿sigiven手的Si（h，ai）-isuch thatmins-我∈s-iui（ζ（si，s）-i） )≥ 麦克斯-我∈s-iui（ζ（si，s）-i） ）。（19） 我们说，如果ai在局部e-do对所有其他ai进行了破坏，那么它在局部e-dominate∈ 阿希。本地电子主导使用无关性作为确定原则的一个版本。通过选择一个动作，玩家可以选择一系列动作（策略）。ascenario的无关性说，与动作关联的菜单a与情景下与动作关联的菜单a（部分）的执行相同。本地电子支配通常使用关联性来忽略场景，因为这两种行为都不会终止游戏。当然，一个认知能力有限的玩家也可以忽略这个场景，因为它看起来太复杂了——本地e-do minance对这些考虑非常敏感。对于不是终止游戏而是辅助的场景，模仿需要在ai之后指定的虚拟动作可用。在我们所有的示例和应用程序中，这是一个相关的场景。对于a为玩家i终止游戏的场景，模仿是一个空洞的概念，因为没有设置活动信息集。由于这个原因，任何延续计划都不会被实际执行，因此不会决定结果。

有鉴于此，本地电子主导地位可以用以下更具体的方式来表达。备注7行动仅当且仅当所有相关方都采取行动时，才终止（电子主导）行动-我∈赛艾（h），赛艾（h）满足定义6的条件，每个-我∈赛，艾（h），赛艾（h）, 艾瑟明茨∈Z（h，ai，S）-i） ui（z）≥ 马克斯∈Z（h，ai，S）-i） ui（z），或s-我∈s-我Z∈ Z（h，ai，s）-i） ，ui（z）=ui（ζ（h，ai，s-i） ），式中ζ（h，ai，s）-i） 表示由b y s诱导的唯一终端历史-伊吉文·h和艾。人们可能会担心，在这种情况下，模仿在任何防策略机制中都是可行和有效的，因为模仿后的虚拟动作会在人工智能（如果信息的到达是相同的）之后做出最佳计划。设计人员不能以这种方式向我们的玩家传授最佳计划：最佳计划取决于玩家的类型，而设计人员并不知道。例如，在日本的拍卖中，人们无法用离开后的虚拟动作描述竞拍后的最优计划，因为它取决于玩家的私人估值，因此模仿虚拟计划可能会导致损失。现在，我们来举例说明日本拍卖会的介绍。使价格正常化，以与本轮交易一致。当拍卖因不超过一名玩家出价而结束时，接下来的所有回合都将采取行动。以t轮球员i的观点为例≤ 五、-1，其中v是i的估值。-t的情况≥ v issimpler。我们将展示，无论是在允许重返还是不允许重返的情况下，动作出价（ai）在本地电子主导着动作离开（ai）。我们从拍卖开始，没有重新进入；因此，球员i在第一次选择离开后，只允许其离开。

最后的分区只有两个场景：场景Sai，ai（h），其中剩余的对手都没有在roundt中出价；场景SAAI（h），其中至少有一个出价——Sai，ai（h）和SAAI（h）是空的，因为在等待之后，我们的玩家没有活动信息集。更准确地说，Sai，ai（h）是所有s的集合-在t轮之前，至少有一个对手出价-但他们都在第t轮离开，赛艾（h）是所有s的集合-至少有一个对手出价，直到t轮。我们现在检查本地电子优势。对于场景Sai，ai（h），接下来唯一可能的结果是我赢得了拍卖，因此本地电子优势的条件成立。对于场景Saai（h），我们需要在Saai（h）之后有一个延续计划。解决唯一的问题∈ Si（h，ai）规定在t+1轮的唯一有效信息集离开。因为t+1≤ v、 在这个延续计划中，最糟糕的情况可能发生在我身上，那就是以0的赔率输掉拍卖。这也是在这种情况下发生的事情。因此，局部电子优势的条件2成立。现在考虑一下重新进入的拍卖。现在，结束分区有三个场景：场景Sai，ai（h），其中剩余的对手都没有出价，场景SAAI（h）中只有一个出价，场景Sai，ai（h）中有多个对手出价——SAAI（h）是空的，因为如果拍卖以ai结束，那么它就没有ai。对于前两种情况，分析与无需重新进入的拍卖相同。对于Sai，ai（h），我们必须检查本地电子支配的条件1：这与场景无关吗？修斯∈ Si（h，ai）。

解决唯一的问题∈ Si（h，ai）规定在未来的每一轮中，在与每种策略兼容的唯一活动信息集中，采取与SIA相同的行动。我们有那个Simickssi，因为每一个-我∈ Sai，ai（h），如果v不是整数，则有一个圆t，其中v- 1<t<v，并且我没有局部弱显性作用。在这种情况下，不存在弱支配策略，但我们仍然可以断定我将在t或t+1离开哪个玩家。请注意，在AI之后，玩家i比afterai拥有更准确的信息，因为在AI之后，至少需要两个对手才能在t轮投标，而不是一次。尽管如此，仍然只有一个信息集，因为在拍卖结束的补充前夕。因此，sican可以被模仿。沿ζ（si，s）方向-i） ζ（si，s）-i） 每一轮都会播放相同的动作文件（对手到达相同的信息集），因此拍卖会在同一轮结束。此外，考虑到拍卖的结果也仅取决于最后一次玩的游戏，两条路径对玩家i产生相同的回报（彩票的预期回报）。因此，Sai，ai（h）是不相关的。考虑到最后的划分，局部e-优势既不比局部c-优势弱，也不比局部c-优势强。尽管存在限制延续计划的约束，但它并不强大的原因是，与最差和最佳回报的比较相比，无关性是一个非常不同的标准。那么，本地电子优势的跨度是多少？一方面，可以立即看到，在一个相关场景中准确的或有推理不会推翻局部的电子支配地位。根据前几节的结果，这意味着基于局部电子支配的局部策略证明定义了经典的策略支持。注8：如果人工智能主导了人工智能，那么我就一厢情愿地主导了人工智能。

因此，ifa博弈是基于局部e-支配的局部策略证明，是策略证明。另一方面，本地的电子优势甚至可以比本地的明显优势更强。这是因为我们使用了模仿计划，而不是假设玩家可以搜索他们的最佳延续计划。正如引言中已经提到的，在国际象棋中，一个棋手可能有一个明显占主导地位的制胜策略，但很难找到。在最有可能的情况下，游戏在比较两个动作后继续，模仿是不可行的，因为不同的动作会导致游戏的继续出现不同的“状态”。此外，如果模仿甚至是可行的，那么在获胜策略规定的动作之后，它肯定不足以带来相同的结果或肯定更好的结果：游戏有完美的信息，因此对手可以以更有利的方式对“错误”的动作做出反应。相反，在静态游戏中，局部电子优势本质上归结为局部明显优势。因此，本地电子优势能够区分一些易于发挥的动态机制和它们的直接对应机制。这是因为在静态游戏中，唯一的场景是游戏以每个动作结束。此外，静态局部问题通常太大，不需要进一步处理。在我们的框架中，假设一个游戏在T=1时是静态的，并且假设两个动作ai，AIA在h时在策略上是等价的∈ Hiif gi（θ，（ai，a）-i） ）=gi（θ，（ai，a）-i） 永远的y（θ，a）-i） 这样（θ，（ai，a）-i） ），（θ，（ai，a-i） )∈ Z（注意，如果一个属于Z，另一个也属于）。命题2考虑的是一个静态博弈，没有战略上等价的行为。很久以前∈ H*i、 动作ai∈ A.电子主导行动ai∈ 如果且仅当ai明显主导ai。证据

当T=1时，h后面没有信息集，因此Sai，ai（h）=S-i（h）。不相关不能成立，因为它要求t和Ai在战略上等同于h。S-i（h）是相关的，局部电子优势条件包括局部明显优势条件（3）。定理3无策略等价作用的静态遗传算法是明显的策略证明当且仅当它是局部e-支配下的局部策略证明。证据直接引自命题2和定理1。本地电子主导地位的自然增强要求，对于相关场景，人们只需查看下一个活动阶段即可确定行动的后果。在日本拍卖和我们的TTC游戏中，当主导动作终止游戏而主导动作没有终止游戏时，模仿继续计划立即终止玩家的ga me。我们球员的胜负完全取决于对手同时采取的行动。因此，本地的电子支配意味着忽略过去，忽略未来，而不是一步到位的预见（不包括建立不相关关系所需的各种形式的预见）。我们并没有用一步预见的方式正式确定区域主导地位，因为我们并没有有趣的例子，说明本地的电子主导行为会被忽略。局部e-优势的自然削弱利用了H生成的分区的相遇*（h，ai）和h*（h，ai）（加上终端历史记录）。

我们只有一个例子，其中这一部分的划分（实际上是一个更粗糙的划分，但仍然比下一阶段终止的本地电子主导地位的结束要好），适当的基准是Pycia和Troyan（2021）的一步主导地位，而不是明显的主导地位，在导言中，相同点和不同点将是预期的：一步主导有时会更强，因为它不允许玩家区分不同的场景，并为下一个信息集寻找主导的延续计划；它有时会更弱，因为它允许在一步规划范围之外确定和理解结果，并且不会将比较局限于模仿计划。分割）是必要的：放牧游戏。在放牧过程中，一只羊的游戏是否结束，只取决于她是否选择接近狗，而不是其他羊的行动。因此，最终的划分只由一个场景构成：整个对手的策略集（saai（h）=S）-i） 。在这种情况下，到达终点后的最小报酬为0，而沿途停车的最大报酬为1——其他羊可能会停止上坡。然而，如果一只羊够到了狗，她会（至少）知道是否有其他羊够到了狗。如果没有，游戏还没有正式结束，因为狗会继续尝试将牧羊犬拖到羊圈中，但是1的报酬已经确定（因此，如果游戏终止被定义为报酬的确定，而不是没有进一步的活动，那么狗将在本地处于电子主导地位）。如果是，比较需要一个到达狗后的持续计划：在完成爬坡后模仿虚拟的持续计划，永远保持在完全相同的位置。

在其他羊接近狗的场景中，上坡停车肯定意味着零回报，因此到达狗并在那里停车不能带来更低的回报（就像任何其他延续计划一样）。我们最终确认，本地电子主导地位不是可传递的。这是因为偶发事件的部分随被比较的行为离子对而变化。在我们所有的局部电子支配的例子中，有一个局部电子支配的行为，因此没有（有趣的）不及物性可以表现出来。我们展示了不及物性是如何通过改变划分而产生的，以及为什么在直接TTC机制中，使用二分法将不及物性转化为r提升和ir相关场景是有意义的。5.1应用：顶级交易周期为了简化说明，这里我们重点讨论在N个代理之间分配N个项目的单边匹配问题，其中一个项目的所有权和对所有项目的严格偏好关系。玩家提交整个偏好排名并让算法完成分配的直接机制是策略证明：提交真实排名是弱优势的。然而，对于一个球员来说，识别这一点并不容易。例如，一名玩家可能会倾向于将一个项目b排在她更喜欢的项目a之上，但她认为获得该项目的机会很小，因为她担心自己可能会错过获得项目b的机会，而算法坚持试图将项目a分配给她，但没有成功。为了避免这些问题，我们设计了一个动态游戏，它可以精确地生成TTC分配，具有三个简单的特性。首先，在每一个阶段，玩家只被要求在仍然可用的物品中命名他们的收藏物品，并且不能被分配任何其他物品。第二，这个选择对其他玩家来说仍然是秘密，因此我们的玩家不担心它会（消极地）影响他们未来的选择。

第三，玩家们可以放心，每当出现贸易机会时，它会一直保持完整，并可以在以后加以利用。我们将证明，在我们的名字命名中，凡夫利特项目在任何地方都是局部电子主导的，而在直接机制中，提交真正的排名并不是局部电子主导的（即，局部明显主导）。我们的游戏运行得很好。对于每个玩家，都有一个“你命名，你得到”的存储库，里面有她可以立即获得的物品。在游戏开始时，每个玩家的存储库中只有自己的物品。然后，玩家命名anitem。每个玩家的存储库中都有直接或间接指向我们玩家的物品的玩家的物品，这间接意味着他们命名了命名我们玩家物品的玩家的物品，依此类推。在他们的存储库中命名一个项目的玩家会带着该项目离开游戏——正式地说，他们会一直命名到T阶段。为分配给其他人的物品命名的玩家被要求命名一个新的可用物品。其他玩家等待——正式地说，他们和以前一样命名相同的物品。在每个阶段，所有玩家都会观察一组仍然可用的项目，但不会观察其存储库的内容。因此，第t轮中玩家i的信息集包含了第t轮可用物品SUP的整个历史以及她自己过去的选择。重要的是，只要一个玩家在游戏中，她的存储库就只能增加：所有直接或间接指向她的玩家只能等待她完成一个循环。这还有一个优点，即玩家不必（一次）计算出他们的整个排名，只需一次从子集中识别出他们的to p项。我们没有形式化这个意义的维度，因为我们认为它与本文研究的维度是正交的。

Bonkoungou和Nesterov（2020）调查了玩家在只有部分偏好信息的情况下讲真话的动机。存储库的不可观察性可能会引起透明度问题。然而，请注意，从这个角度来看，直接TTC机制的性能更差：玩家必须立即公开他们的所有私人信息，并且通常不观察alg算法如何使用他们的偏好和其他人的偏好。这可能是一个好主意，告诉大家，作为游戏规则，重新定位只能增加。通过这种方式，存储库将理解规则的能力替换为对规则的信任。现在，我们展示了命名最喜欢的可用项是本地电子信息集。玩家可以问自己：“如果我得到了物品怎么办？如果我没有得到怎么办？”对于两个比较项中的每一项。这正是我们的玩家将在终端历史中学习的内容，如果她获得了她命名的物品，她将无需进一步移动，或者在下一个信息集中学习其他内容。所以，这个问题相当于问自己“游戏会（对我来说）以命名这个项目结束吗，不是吗？”在获得最喜欢的物品的情况下，命名显然是最好的选择。在获得备选项目但不是最喜欢的项目的情况下，我们的玩家仍然可以通过在下一个信息集中命名来获得备选项目。在两个项目都没有得到的情况下，有一个或另一个项目是不相关的。这是因为我们的玩家在当前的两个选择之后会得到完全相同的物品，前提是她将继续走同一条路。

最后两个场景实际上可以合并在一起，并且不相关的情况将持续存在，因此，我们游戏中的本地电子支配地位只需要确定通过获取或不获取最喜欢的it em而获得的两个场景。在我们的动态TTC游戏中，在每个信息集中，最喜欢的一个可用项目在本地电子支配地位。证据修理一个我喜欢的球员∈ I.我们将反复使用以下事实：只要玩家I在游戏中：（I）s-i直接决定存储库的演变；（ii）s-i即时确定可用项目的历史记录。修复信息集h∈ H*i、 考虑命名最喜欢的项目a，并命名一个备选项目b。在情景Sa、b（h）和Sab（h）中，玩家会自动命名a，因此满足本地电子优势的第三个条件。对于场景Sba（h），考虑任何延续计划∈ Si（h，a），在b可用的每个下一个信息集中命名b。在这种情况下，这个延拓平面总是产生b。因为我在h时通过na ming b得到b，这意味着t b在h之前或之后进入i的重置，当然，当我还在游戏中时。寄宿地的进化不取决于我的动作，只要她在游戏中。因此，当我给a取名字而没有得到a时，b也会进入i\'srepository（因此仍然可用）。这样的计划会模仿Sba（h）下b之后的每一个延续，因为一旦玩家给b取名字，她就被迫永远给b取名字。我们最终证明了Sa，b（h）是不相关的。考虑一下任何策略∈ Si（h，b）。结构∈ 模拟sigiven h和Sa的Si（h，a），b（h）如下。修复h∈H*（h，a）。Ath，我观察到了τ（h）阶段之前可用项目的历史。我们将在下一段中展示，这些信息足以确定我将在τ（h）阶段用si命名的项目y，并且y是可用的。

有了这个，sican将y命名为t h，并在以下阶段模仿sialso（thusyield是同一个项目）：可用项目和r位置以与siandsi相同的方式演变，除非我将sibeforeτ（h）退出游戏，但在这种情况下，我们将争论我在h之后离开游戏，因此不需要做出进一步的选择。首先，我认为我仍将与si在τ（h）阶段进行比赛。只要她在游戏中，所有可玩物品的演变并不取决于我的动作。因此，有了Sit，所有可用项目的相同历史得以实现。这足以确定i随Si移动到τ（h）阶段。在τ（h）阶段命名的项目当然在可用集合中，t hus也可用。这是我最后一次在τ（h）阶段激活时用SiWhen命名的项目。现在考虑一下我会在与si的τ（h）阶段之前离开比赛的想法。她留下的项目（以及τ（h）的正式名称）也是她上次活动时命名的项目。在此之前，可用项目的历史记录与之前相同。因此，ITEEM i将在τ（h）阶段命名，Si是唯一确定的，无论这两个假设中的哪一个成立（这无法通过ath确定）。此外，也假设我是一个被分配了这个项目的人，它在h仍然可用，因为它在与si进入的同一阶段输入i的存储库——存储库的演变也不取决于i的移动（只要她在游戏中）。技术观察。模仿是可能的，因为我们让玩家在无法更改信息集时（因为iTeem仍然可用）在信息集上确认他们最后选择的项目，包括分配给他们的项目。此外，通过这种方式，对于玩家来说，游戏是否结束以及最终结果只取决于最后一个动作。

对于模仿来说，这是正式要求的，而对于结尾和结果来说，它只用于将结尾部分解释为本地部分，而不需要在出现输出时及时查看。这些方法我们只会在没有a的情况下将注意力限制在与场景兼容的信息集上，这样她就可以在某个时候切换到另一个项目。把注意力限制在我也得不到b的情况下是没有必要的。能够帮助玩家做出选择的游戏框架。有趣的是，如果一个玩家能够进行完美的偶然推理，并且孤立地考虑每个偶然事件，那么在命名偏好项目a和备选项目b之间的比较是多么容易；也就是说，如果她使用一厢情愿的支配地位。修正对手的策略-我∈ s-i（h）。这就决定了该理论的发展。如果a在或将在存储库中，直接命名a会产生a。否则，我能在s下得到的最好的物品播放器-如果命名b意味着得到b，那么命名a或b的作用相同，或者在命名a后可能更好。因此，条件（13）是满足的：随心所欲地命名a主导命名b。我们通过比较我们的动态机制和直接TTC机制得出结论。在直接机制中，提交真实排名并不是局部电子主导（即局部明显主导），但人们可能仍然希望玩家能够将偶然事件划分为相关和不相关的类别，尽管没有博弈树的指导。因此，为了便于说明，我们认为我们的玩家可以识别一个不相关的类，我们只需要对互补集上的最大和最小支付进行通常的比较。

我们证明，如果至少有4个it ems，这种二分不存在；然后应该清楚的是，对于任何数量的场景，如果有足够多的项目，我们不可能在每个场景中都有不相关或“明显的优势”。命题4考虑直接TTC机制，并假设N≥ 4.对于玩家i的一些排名r和一些替代排名er，没有不相关的-我 s-如果（r，er）满足条件（19）超过-i、 证据。关注信息集中的一个玩家i，她在那里了解自己的排名，但考虑在表中提交排名：r:abc dr:bad c。假设我拥有d。然后，存在：-sb-所以我在r和r下都得到了b；-sd-我在r和r下都得到了d；-sa-我在r下得到a，在r下得到b；-sc-我在RB下得到c，在r下得到d-ior sd-我在不相关的集合中：最坏的情况是在收益率为d的情况下，最好的情况是在收益率至少为b的情况下（注意，没有未来的信息集，因此需要考虑延续计划）因此，sa-土地sc-我不在他们的圈子里。但是，在互补集上，ryields下的第一种情况和ryields b下的最佳情况。因此，所需条件不满足。关于直接TTC机制，还应注意以下几点。每个排名都可以通过两个相邻项（a，b）的交换序列从真实排名中获得，其中两个项目中的首选项a从上到下移动到另一个项目b。现在比较两个排名rand r，在Swap前后。考虑一下对手的策略，这样我们的球员就不会落后。然后她在r下得到完全相同的项目——将所有这些策略放在一个相关的集合中。在互补组中，只有我们的玩家在r下得到a的策略。然后，在r下，她可以得到a或b。

所以我们得到了一个独立集和一个通常比较所经过的集的期望二部。因此，我们可以从另一种选择转移到真正的排名，并基于这种二分法进行比较。但根据命题4，这种划分可能不存在，无法直接比较初始排名和真实排名。因此，基于这种二分的支配地位概念是不可理解的。原因是各方必须根据考虑中的行动对进行调整。正如我们前面提到的，这也是为什么地域优势不是可传递的。我们不想强调，最近已经提出了TTC分配的其他动态实现，具有不同的理想特性。为了实现TTC分配（以及其他分配规则），Bo和Hakimov（2020）提出了一个动态游戏，玩家可以在每个阶段从个性化菜单中选择一个对象。TTC分配呈现出一种博弈均衡，但这种机制不是战略证明，也不是Borgersand Li（2019）意义上的“简单机制”，因为它需要对对手的合理性有更多的一阶信念。麦肯齐和周（2020）提出了类似的菜单机制来解决更普遍的问题，并表明私有菜单机制实现了策略性证明。6.局部阶段优势我们考虑的是一个多阶段博弈，其规则与之前相同，但具有在不同阶段成熟的多重优势。在每个阶段t=1。。。，T，每个玩家i接收一个结果向量（y，…，yk（T）），从可能的个人结果集（Yt，1i，…，Yt，k（T）i）中提取。引入一个虚拟结果d，来表示什么都没发生的情况，这将是有用的。游戏的最终结果是yi=Y1,1i×。。。

在一个重复的游戏中，阶段的结果只取决于该阶段采取的行动，但我们希望更一般。因此，我们让t阶段的结果不仅取决于t阶段的行动，还取决于游戏的历史；例如，玩家过去的选择可能决定在时间t到期的盈余的大小，而在时间t的行动可能决定其分配。让gt，ri:Xt-1×A→ Yt，ribe t期结果r的输出函数。让gti:Xt→ Y1,1i×。。。x Yt，k（t）i将每个病史（θ，a，…，at）与诱导结果序列相关联，因此gi=gT。在一次性机制中，玩家通常在游戏结束时收集、享受甚至可能了解阶段结果，而不是在每个阶段。此外，在不同阶段取得的成果之间可能存在替代性和互补性。在更抽象的层面上，结果可能代表与设计师的不同合同，共同确定最终结果——我们将在奥苏贝尔拍卖会上看到这意味着什么。因此，我们将偏好关系%ioverΘ×yi保留为原始，而不是每个Θ×Yt，ri上的偏好关系。在马肯齐和周的机制不是专为TTC设计的，因此它自然比我们的复杂。虽然我们的玩家只需说出他们最喜欢的可用时间，但在菜单机制中，玩家必须从分配菜单中选择，他们的最终分配可能不是他们最后选择的。

然而，值得注意的是，privatemenu机制以一种与我们的游戏非常相似的方式实现了策略证明，因为向玩家提议的分配菜单的演变只传递了关于离开游戏的玩家的信息，这正是我们的玩家所能观察到的。为了便于标注，gt定义了所有历史和活动，尽管有些可能不可行。另一方面，我们希望我们的玩家只关注当前阶段的结果。我们能从%*我下面是一个自然的方法。让我来-t、 ridenote为整个游戏的结果向量s，剥夺了阶段t的结果。现在，定义不完全偏好关系%t，rioverΘ×Yt，rias如下：（θ，Yt，ri）%t，ri（θ，Yt，ri）<=> Y-t、 里∈ Y-t、 ri，（θ，（yt，ri，y）-t、 ri））%i（θ，（yt，ri，y-t、 ri），在重复的游戏中，这些偏好是完整的，因为偏好被表示为每个阶段收集的流动支付的总和，但例如，如果玩家在不同阶段购买不同数量的相同商品，偏好自然是不完整的，因为支付意愿也取决于其他阶段的钱包。由于偏好的不完全性，我们无法引入效用函数，以更方便的方式表示本地激励。我们想抓住一个关注当地结果的玩家来解决她的选择问题。然而，当前的选择可能会直接或通过影响游戏的延续而影响未来的结果。因此，我们要求我们的玩家能够轻松地认识到事实并非如此：她可以以同样的方式继续下去，并获得相同的未来结果。这是同样的无关紧要的想法，但只关注未来的结果。

给定（si，s）-（一）∈ Si×S-i、 设ζt（si，s）-i） 表示由（si，s）引起的历史（θ，a，…，at）-i） 。定义7确定集合h上的信息∈ H*一对有序的动作（ai，ai）∈啊，啊。我们是这样的-我 s-i（h）与（ai，ai）局部相关∈ Si（h，ai），存在Si∈ 模拟sigiven h和S的Si（h，ai）-我就是这样s-我∈s-我t>τ（h），r=1。。。，k（t），gt，ri（ζt，si，s-i） ）=gt，ri（ζt（si，s-i） ）。本地相关性并不意味着我们的参与者一定会通过查看当前结果来找到解决本地问题的方法——这是主导地位所要求的。本地相关性表示，如果我们的玩家能够对两部动作片产生的舞台效果进行排名，那么这个排名将反映在最终的结果序列中（y-t、 ri，yt，ri）可能不可行，但这是确定的，因为与前几节一样，所有最终（顺序）结果都定义了参考值。序列，与她以后的行动无关。因此，她可以专注于当地的选择，而无需预先规划——未来可以理所当然地被忽略。在偶然推理方面，我们保留了结尾部分。在场景中，当一个动作终止游戏而另一个动作不终止游戏时，通常不可能满足局部相关性：当动作继续时，其他非虚拟结果可能随之而来。因此，我们也要求玩家在继续游戏时意识到游戏的伤害或益处。然后，在每一个场景中，我们为主导施加两个常见条件中的一个：对于当前的每一个结果，要么主导行为总是只能产生比主导行为更好的实现，要么这两个行为对结果没有影响。

给定一个stage-t信息集h∈ H*i、 哎∈ Ahi和s-我∈ s-i（h），设ζh（ai，s）-i） 表示s导致的t+1阶段历史-i、 通过i的移动导致h（由完美回忆唯一识别）和ai。定义8确定阶段信息集h∈ H*我有两个动作（ai，ai）∈啊，啊。动作局部阶段永远主导着动作-我∈ S（h，ai，ai），以下两个条件S保持：。艾瑟斯-本地相关的iis，或每个si∈ Si（h，ai）和som e Si∈ Si（h，ai），s-我∈ s-i、 θ（s）-i） ，gi（ζ（si，s-i） ）%*i（θ（s）-i） ，（gti（ζ（si，s-i） ）d。。。，d） )s-我∈ s-i、 θ（s）-i） ，（gti（ζ（si，s-i） ）d。。。，d） ）%*i（θ（s）-i） ，gi（ζ（si，s-i） ）2。每r=1。。。，k（t），或者s-i、 s-我∈ s-i、 θ（s）-i） ，gt，ri（ζh（ai，s-i） ）%t，ri（s-i） ，gt，ri（ζh（ai，s-i） ）。（20） 或者s-我∈s-i、 gt，ri（ζh（ai，s-i） ）=gt，ri（ζh（ai，s）-i） ）。（21）如果ActionAi局部s-支配其他ai，则ActionAi是局部阶段主导的∈ 阿希。局部s-优势的条件1允许玩家正确地关注当前的结果，因为未来的结果不会受到当前选择的影响，或者因为它们在主导行为之后显然是有害的，在主导行为之后尤其有益。条件2一次关注一个当前结果，对于两个行动之间的选择可能产生一些差异的结果，这种差异必须有利于所有结果的主导行动。由于关注当前阶段成熟的结果，内部收益率提升条件实际上意味着这两个行动在战略上等同于结果，就像静态博弈一样。至于过去，对尚未成熟的结果的关注自动意味着，在我们的玩家心目中，“过去的都是过去的”，这是应该的。

考虑到游戏的结构，只关注当前阶段是很自然的，即使不理解这是什么合适。局部s-优势对玩家是否专注于局部舞台很重要，因为这是正确的做法，还是作为认知限制的一种形式。然而，要求（过去和未来）可以被合理地忽略，这让我们可以判定，玩家很容易被欺骗，他们可以首先提出一个没有任何利害关系（或只是一个成为独裁者的小机会）的完全释放游戏，然后是一个“确认或死亡”阶段。现在，我们通过介绍的“抓”或“拿”游戏来说明本地的s-优势。以第一阶段为例。每个玩家我都必须在抓取（ai）或Nab（ai）之间进行选择。这两种行为都不会终止游戏。所以，在这个世界上唯一非空的场景(,哎，哎）是赛，哎() 这与-i、 我们首先表明，该场景与当地相关。解决任何问题∈ 是的(, ai）；它只规定了第二阶段的一个动作，因为玩家不观察第一阶段的动作。修正模仿的错误∈ 是的(, ai）规定了与第二阶段相同的行动。每-我∈ s-我只为第二阶段规定了一个动作。然后，在第二阶段对s的比赛中，SiandSi产生了相同的结果-i、 现在，目前的结果是舞台剧的结果。Ai给出的最差值是H3，最好值是H2。因此，通常s-do排斥人工智能。现在考虑playeri的唯一第二阶段信息集h。两个动作都会终止游戏，所以唯一的场景是Sai，ai（h）=S-i、 我们处于重复博弈中，因此第二阶段的结果和偏好完全独立于第一阶段。此外，没有未来可以考虑。因此，情况是这样的。与当地有关。同样，结果是舞台剧的结果。

对第一阶段的结果进行相同的比较，确定了人工智能主要由人工智能主导。因为我们对最终结果序列有偏好关系，所以本地优势可以与前一部分的概念相比较。局部优势比一厢情愿的优势更强大，因为过去和未来都是正确认识的，而分离同一阶段的不同结果不能得出任何与完美的偶然推理相反的结论。尽管采用了相同的模仿和无关的场景和想法，但局部s-支配地位并不比局部e-支配地位强也不弱：正如G r ab或Nab所示，分解成多个结果有助于玩家的推理，但它也禁止在一个阶段用另一个阶段的收益来补偿一个阶段的不足（如在TTC中，在当前阶段未能获得一个项目将通过在下一阶段追赶来补偿）。在一个静态博弈中，这些差异显然消失了，只有一个结果：条件n 2 o flocal s-优势与局部e-优势重合，条件1基本成立（没有未来）。注9：在一个静态博弈中，有单一结果，局部s-优势和局部E-优势。因此，局部s-优势本质上也可以归结为明显的不稳定游戏的优势。定理4具有唯一结果且无策略等价的静态博弈是明显的策略证明的当且仅当它是局部占优下的局部策略证明。证据直接从备注9和命题2开始。相反，在一个动态机制中，局部s-优势甚至可以比Pycia和Troyan（2021年）的简单明显优势更强。简单而明显的支配地位是指计划范围与当前阶段一致，但能够比较所有最终结果的参与者，即使他们在未来很遥远的地方也不例外。

相反，地方相关性规定，在这两个动作之后，未来的结果将是相同的，因此玩家实际上不需要仔细检查它们。我们在结束本节时强调，结果的分解在设计中起着至关重要的作用。对这个问题进行更全面的分析将包括一个合同空间，在这个空间中可以定义结果，这超出了本文的范围，但在奥苏贝尔拍卖会上，我们将提出一个合理的合同空间，并了解从这个空间中选择结果是如何以一种使局部s-优势关系出现的方式构建游戏的关键。6.1 Ausubel拍卖我们考虑Ausubel（2004）的多单元拍卖环境。拍卖师试图将同一物品的M个相同单位卖给n个竞拍者。每一个投标人都有一个单独的、增加的单元估值，而每一个额外单元的估值都在减少。在每轮t中，拍卖师称价格为pt<pt-1和我提交的每个投标人bti≤ 英国电信-1i（单调投标）。如果所有投标的总金额大于M，则分配给每个投标人的数量应为maxMeqti=maxn0，M-Pj6=ibtjo；与上一轮qti的差异- qt-通过单调投标，1是非负的，并且以pt价格出售给投标人i。然后，拍卖进入第t+1轮。我们选择奥苏贝尔的“无投标信息”设计，因为有必要建立我们感兴趣的地方主导关系；也就是说，竞标者只知道生产仍在进行中。如果所有投标的总和等于或低于M，则生产结束。如果没有超额供应，分配给每个投标人的最终数量正好是bti=qti。如果供应过剩，每个投标人将在QTI和bt之间分配一个数量QTI-1i，根据配给规则计算。

这引发了一场关于哪些配给规则能保持策略的可靠性，哪些不能的争论：见Okamoto（2018）和Ausubel（2018）。对于离散时钟拍卖的分析，奥苏贝尔假设估值来自同一组价格；在这种情况下，如果一个玩家总是以当前价格出价购买她非常喜欢的单位数量，那么她将不在乎从配给中获得的单位数量。相反，我们允许f或任何估值，并且我们实施了配给规则，以使低于下一轮需求或高于当前需求的每一次出价都是当地的弱势。Usubel还规定，玩家的出价不得低于她在拍卖期间分配的数量，但我们发现这与我们接下来讨论的“无出价信息”设计不兼容。类似地，在假设估值和价格来自wediscuss nex t.主导的同一组数据的情况下，无投标信息设计是唯一一种保证Subel（2014）战略证明性的设计。此外，这一定价规则将允许对产出进行简单分解，这使得低于下一轮需求的投标在当地处于s主导地位。我们无法找到一个没有单调竞价的配给规则，并且引入单调竞价不允许过度竞价成为本地的s-主导，正如我们将解释的那样——但是请注意，过度竞价只会增加拍卖人的利润。顺序配给规则我们做的配给规则如下。投标人的顺序从1到n——为了公平起见，投标人的顺序可以在每轮中随机确定，投标人不需要了解顺序。从当前投标bti开始，分配给投标人1的数量增加，直到不再有多余的供应，或直到达到bt-1，以先到者为准。

如果英国电信-当达到1时，仍然存在供应过剩，投标人2将执行相同的操作。很快。如果投标人在下一个bti结束运营，则bti在下一个bti结束运营-1i，如果操作以更高的出价结束，则orbqti=M-Pj<ibt-1j-Pj>ibtj，如果操作以投标人i结束。注意以下事项。如果bti>bqti，则操作结束于较低的投标人，因此投标人i被指定为bti。如果英国电信-1i<bqti，操作在一个更高的投标人处结束，因此投标人i被指定为bt-1i。因此，i的最终数量为bqti，不取决于i的出价，除非低于btior或高于bt-1i。因此，我能看到的所有投标人首先是她愿意以pt，bt价格接受的最大数量-1i和最小数量bti。还要注意的是，通过单调的竞价，我们得到了qt-1i≤ BKTI≤ 因此，qti，也就是当i设定的最小值或最大值绑定时，分配给i的数量a不低于已经分配的数量（正如它应该的那样），并且不大于分配给i的数量，如果bti，考虑到其他人的出价，不允许拍卖在t点结束。奥苏贝尔分析了离散时钟拍卖，以简化展示，但主张相应的连续时钟拍卖，从而消除了拍卖的问题。我们发现了离散时钟拍卖和配给兴趣本身的问题，然后在估值与价格不一致的真实假设下对其进行分析。结果分解“有边界的过度”我们现在用这种简单的方法将问题分解为结果流。在每一轮t中，球员i有三个出局。出局yt，1I是下一轮可以分配给球员i的最大数量。这与我目前的出价一致：yt，1i=bti。

该结果仅与确定第t+1轮中投标人i的最终数量有关，前提是拍卖不会在第t轮结束，而是完全在第t轮确定，因此必须指定为第t轮合同。结果yt，2I是投标人在当前一轮中获得的最低数量。计算公式为yt，2i=min{bti，qti}。如果投标人i的实际数量在这两个界限之间，则不取决于投标人i的任何投标，且投标人i的投标中这两个界限在增加。这足以证明，低于下一阶段需求（因此也低于当前需求）的投标永远不是一个好主意。然而，投标人i和拍卖人之间签订的合同顺序必须共同确定确切的最终结果。因此，根据配给规则，我们引入了第三个结果yt，3i=bqti，如果它落在两个界限之间，它将与分配给i的行为量一致，或者将决定分配给两个界限中的哪一个。（请注意，BQTI永远不会大于qti，因此只有当且仅当其不小于定量配给规则中规定的bti时，才会实施。）我们称这种结果分解为“超有界”。拍卖结束后，每个出价人我都会收到所有剩余回合的三个虚拟结果D，直到达到足够大的回合T为止。Yi=×Tt=1（Yt，1i×Yt，2i）中的一系列结果决定了在每个价格下分配给投标人i的数量。所以我对Θ×Yi有完全的偏好关系。式中，Θ是参与者估值的实现集。以所有θ为条件，θ∈ Θ对于i，投标人i的估值相同，我总是希望每个yt，1等于价格t+1的需求，称之为dt+1i，而不是一些较小的估值。因此，我们有（θ，dt+1i）%t，1i（θ，ed）。

同样地，在yt，2i的两个实现之间，不超过Ti，我总是喜欢较大的。局部主导行为为了结果yt，1i，我们可以直接观察到投标EB<dt+1i总是比投标dt+1i更糟糕，因为结果与投标本身一致。结果yt，2也取决于对手的出价，但通常情况下的划分有助于排名dt+1IB。在两个出价都终止拍卖的场景中，它们不高于qti，因此yt、2I将与出价一致，并由dti决定≥ dt+1i，dt+1i优先于B。在两个出价都不终止拍卖的情况下，它们都高于qti，因此我们得到yt，2i=qti减去出价：这种情况与选择无关。在EB终止拍卖且dt+1未终止的情况下，yt，2将与EB下的EB一致，并将在dt+1i下获得价值QTIU。该场景中QTI的真实价值永远不会低于EB，因为EB终止拍卖，但会低于dt+1i，因此低于dti，因为dt+1i不会终止拍卖。因此，QTII更喜欢TOEB。结果yt，3I不是由我的出价决定的，所以可以忽略。但对未来结果的影响呢？双方竞拍的场景与当地无关。在EB终止拍卖且dt+1未终止的情况下，在EB投标人之后，我必然会收到结果的dummystream，而在dt+1之后，考虑到yt在roundt+1保护她免受不想要的单位的影响，她可以做得比简单地永远投0要好，1i=dt+1i。在两次竞拍后拍卖仍在继续的情况下，必须遵守以下规定。首先，在dt+1i之后，可以模仿eb之后的任何延续，因为eb<dt+1i保证了与单调竞价的兼容性。

（还要注意的是，每轮只有一个活动信息集，因此只有一个出价可以模仿。）其次，以同样的方式继续下去将产生相同的未来结果，原因有二。一个是，对手不观察我是choseeb还是dt+1i，所以他们不能根据这一点改变出价。另一个是，所有三个结果都只取决于i的当前出价（最多），而不取决于过去的出价（而yt，3ide取决于对手过去的出价）。我们可以得出以下结论。命题5在连续估值、连续估值和“有界超额”结果分解的离散时钟奥苏贝尔拍卖中，每一轮bi d belownext的真实需求在所有信息集中都是局部s-d占优的。参考文献[1]Ashlagi，I.和Y.A.Gonczarowski（2018）：“稳定的匹配机制不是明显的战略证明”，《经济理论杂志》，177405-425[2]Ausubel，L.（2004）：“多个对象的有效升价拍卖”，《美国经济评论》，941452-1475[3]Ausubel，L.（2018）：“多个对象的有效升价拍卖：回复”，《美国经济评论》，108561-563[4]薄熙来和R.哈基莫夫（2020）：“选择目标机制”，工作文件。[5] Bonkoungou，S.和A.Nesterov（2020年）：“学生激励机制和次部分信息”，工作文件。[6] Borgers，T.和J.Li（2019）：“战略简单机制”，计量经济学，87（6），2003-2035。[7] Dworczak，P.和J.Li（2020）：“当管理者不复杂时，简单的机制是否会影响动物？”，工作文件。Kagel，J.，Harstad，R.，Levin，D.（1987）：“具有有效私人价值的拍卖中的信息影响和分配规则：一项实验室研究”，计量经济学，5 5（6），1275-1304。[8] 李绍（2017）：“明显的战略证明机制”，美国经济评论，107（11），30 7-352，3257-87。[9] 麦肯齐，A.和Y。