CommonPower: A Framework for Safe Data-Driven Smart Grid Control

投稿日: 2025年3月13日 作成者: jarxiv

要約

電力システム管理の複雑さの高まりにより、強化学習（RL）への関心が高まっています。
それらの有効性を検証するには、RLアルゴリズムを複数のケーススタディで評価する必要があります。
ケーススタディの設計は、多くの側面を考慮する必要がある困難なタスクであり、その中では、利用可能な予測の影響と制御構造における分散化のレベルです。
さらに、バニラRLコントローラー自体がシステムの制約の満足度を確保することはできません。これにより、システムを展開する前に、すべてのケーススタディに保護メカニズムを考案することが必要になります。
これらの欠点に対処するために、機械学習に合わせて調整された電力システム管理のモデリングとシミュレーションの最初の一般的なフレームワークであるPython Tool CommonPowerを紹介します。
そのモジュラーアーキテクチャにより、ユーザーはシミュレーション環境を実装することなく特定の要素に集中できます。
CommonPowerのもう1つのユニークな貢献は、モデル予測コントローラーとセーフガードの自動合成です。
シングルエージェントRL、マルチエージェントRL、および最適な制御用の統一インターフェイスを提供するだけでなく、CommonPowerには、マシンラーニングベースの予測者のトレーニングパイプラインと、SafeadsのフィードバックをRLコントローラーの学習更新に組み込むための柔軟なメカニズムが含まれています。

要約(オリジナル)

The growing complexity of power system management has led to an increased interest in reinforcement learning (RL). To validate their effectiveness, RL algorithms have to be evaluated across multiple case studies. Case study design is an arduous task requiring the consideration of many aspects, among them the influence of available forecasts and the level of decentralization in the control structure. Furthermore, vanilla RL controllers cannot themselves ensure the satisfaction of system constraints, which makes devising a safeguarding mechanism a necessary task for every case study before deploying the system. To address these shortcomings, we introduce the Python tool CommonPower, the first general framework for the modeling and simulation of power system management tailored towards machine learning. Its modular architecture enables users to focus on specific elements without having to implement a simulation environment. Another unique contribution of CommonPower is the automatic synthesis of model predictive controllers and safeguards. Beyond offering a unified interface for single-agent RL, multi-agent RL, and optimal control, CommonPower includes a training pipeline for machine-learning-based forecasters as well as a flexible mechanism for incorporating feedback of safeguards into the learning updates of RL controllers.

arxiv情報

著者 Michael Eichelbeck,Hannah Markgraf,Matthias Althoff
発行日 2025-03-12 15:23:13+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.SY, eess.SY | CommonPower: A Framework for Safe Data-Driven Smart Grid Control はコメントを受け付けていません

Neural reservoir control of a soft bio-hybrid arm

投稿日: 2025年3月13日 作成者: jarxiv

要約

長年にわたるエンジニアリングの問題であるソフトロボットの制御は、非常に非線形、不均一、異方性、分布の性質のために困難です。
ここでは、工学と生物学を橋渡しするために、弾性脊椎を包む複数の筋肉テンドン基で作られたバイオハイブリッドモデルアームの動的制御には、神経貯留層が採用されています。
貯水池の使用が、一連の挑戦的なタスク全体にわたって同時の制御とセルフモデリングを促進する方法を示し、古典的なニューラルネットワークアプローチを上回ります。
さらに、神経モルフィックハードウェアにスパイクリザーバーを実装することにより、エネルギー効率が達成され、標準のCPUと比較してほぼ2つのマグニチュード改善が行われ、無視された小規模ソフトロボットのオンボード制御に影響します。

要約(オリジナル)

A long-standing engineering problem, the control of soft robots is difficult because of their highly non-linear, heterogeneous, anisotropic, and distributed nature. Here, bridging engineering and biology, a neural reservoir is employed for the dynamic control of a bio-hybrid model arm made of multiple muscle-tendon groups enveloping an elastic spine. We show how the use of reservoirs facilitates simultaneous control and self-modeling across a set of challenging tasks, outperforming classic neural network approaches. Further, by implementing a spiking reservoir on neuromorphic hardware, energy efficiency is achieved, with nearly two-orders of magnitude improvement relative to standard CPUs, with implications for the on-board control of untethered, small-scale soft robots.

arxiv情報

著者 Noel Naughton,Arman Tekinalp,Keshav Shivam,Seung Hung Kim,Volodymyr Kindratenko,Mattia Gazzola
発行日 2025-03-12 15:31:33+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.NE, cs.RO | Neural reservoir control of a soft bio-hybrid arm はコメントを受け付けていません

A Novel Approach for Intrinsic Dimension Estimation

投稿日: 2025年3月13日 作成者: jarxiv

要約

実際のデータは、その性質のために複雑で非線形の構造を持っています。
これらの非線形性と多数の機能は、通常、空間現象や、よく知られている次元の呪いなどの問題を引き起こす可能性があります。
低次元空間でデータセットのほぼ最適な表現を見つける（つまり、次元削減）は、機械学習タスクの成功を改善するための適用可能なメカニズムを提供します。
ただし、ほぼ最適な表現に必要なデータディメンション（本質的な次元）を推定することは、特にビッグデータを扱う場合、非常に費用がかかる場合があります。
次元削減方法のためにマトリックスベクトル製品にのみ依存する非常に効率的で堅牢な内因性ディメンション推定アプローチを提案します。
提案された方法のパフォーマンスを最先端のアプローチと比較するために、実験的研究も実施されます。

要約(オリジナル)

The real-life data have a complex and non-linear structure due to their nature. These non-linearities and the large number of features can usually cause problems such as the empty-space phenomenon and the well-known curse of dimensionality. Finding the nearly optimal representation of the dataset in a lower-dimensional space (i.e. dimensionality reduction) offers an applicable mechanism for improving the success of machine learning tasks. However, estimating the required data dimension for the nearly optimal representation (intrinsic dimension) can be very costly, particularly if one deals with big data. We propose a highly efficient and robust intrinsic dimension estimation approach that only relies on matrix-vector products for dimensionality reduction methods. An experimental study is also conducted to compare the performance of proposed method with state of the art approaches.

arxiv情報

著者 Kadir Özçoban,Murat Manguoğlu,Emrullah Fatih Yetkin
発行日 2025-03-12 15:42:39+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, stat.ML | A Novel Approach for Intrinsic Dimension Estimation はコメントを受け付けていません

Computation-Aware Kalman Filtering and Smoothing

投稿日: 2025年3月13日 作成者: jarxiv

要約

Kalmanのフィルタリングとスムージングは​​、Gauss-Markovモデルの効率的な推論の基礎メカニズムです。
ただし、それらの時間と記憶の複雑さは、状態空間のサイズと非常に拡大しています。
これは、空間的観測の数を持つ状態寸法がスケーリングされる空間的回帰問題では特に問題があります。
既存の近似フレームワークは、共分散行列の低ランク近似を活用します。
しかし、計算近似によって導入されたエラーをモデル化しないため、予測不確実性の推定値は過度に楽観的になる可能性があります。
この作業では、これらのスケーリングの問題を軽減する高次元ガウスマルコフモデルで推論する確率的数値方法を提案します。
当社のマトリックスフリーの反復アルゴリズムは、GPU加速度を活用し、計算コストと予測不確実性の間の調整可能なトレードオフを決定的に可能にします。
最後に、大規模な気候データセットでの方法のスケーラビリティを示します。

要約(オリジナル)

Kalman filtering and smoothing are the foundational mechanisms for efficient inference in Gauss-Markov models. However, their time and memory complexities scale prohibitively with the size of the state space. This is particularly problematic in spatiotemporal regression problems, where the state dimension scales with the number of spatial observations. Existing approximate frameworks leverage low-rank approximations of the covariance matrix. But since they do not model the error introduced by the computational approximation, their predictive uncertainty estimates can be overly optimistic. In this work, we propose a probabilistic numerical method for inference in high-dimensional Gauss-Markov models which mitigates these scaling issues. Our matrix-free iterative algorithm leverages GPU acceleration and crucially enables a tunable trade-off between computational cost and predictive uncertainty. Finally, we demonstrate the scalability of our method on a large-scale climate dataset.

arxiv情報

著者 Marvin Pförtner,Jonathan Wenger,Jon Cockayne,Philipp Hennig
発行日 2025-03-12 15:51:20+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.NA, math.NA, stat.ML | Computation-Aware Kalman Filtering and Smoothing はコメントを受け付けていません

Learning Cascade Ranking as One Network

投稿日: 2025年3月13日 作成者: jarxiv

要約

Cascadeランキングは、推奨プラットフォームや広告プラットフォームなどの大規模なTOP-K選択システムの一般的なアーキテクチャです。
従来のトレーニング方法は、段階間の相互作用を無視して、単一段階の最適化に焦点を当てています。
RANKFLOWやFS-LTRなどの最近の進歩により、インタラクションが認識しているトレーニングパラダイムが導入されましたが、1）トレーニング目標をカスケードランキング全体（つまり、エンドツーエンドのリコール）の目標と整列させ、2）さまざまな段階の効果的なコラボレーションパターンを学ぶことに苦労しています。
これらの課題に対処するために、LCRONを提案します。LCRONは、グラウンドトゥルースアイテムがカスケードランキングによって選択され、システムの全体的な目的との整合を確保するという下限の確率から派生した新しい代理損失関数を導入します。
導出されたバウンドの特性によれば、各ステージの補助損失をさらに設計して、このバウンドの削減を促進し、より堅牢で効果的なTOP-K選択につながります。
Lcronは、統一ネットワークとしてカスケードランキングシステム全体のエンドツーエンドトレーニングを可能にします。
実験結果は、LCRONがパブリックベンチマークや産業用途での既存の方法よりも大幅に改善され、カスケードランキングトレーニングの重要な制限に対処し、システムパフォーマンスを大幅に向上させることを示しています。

要約(オリジナル)

Cascade Ranking is a prevalent architecture in large-scale top-k selection systems like recommendation and advertising platforms. Traditional training methods focus on single-stage optimization, neglecting interactions between stages. Recent advances such as RankFlow and FS-LTR have introduced interaction-aware training paradigms but still struggle to 1) align training objectives with the goal of the entire cascade ranking (i.e., end-to-end recall) and 2) learn effective collaboration patterns for different stages. To address these challenges, we propose LCRON, which introduces a novel surrogate loss function derived from the lower bound probability that ground truth items are selected by cascade ranking, ensuring alignment with the overall objective of the system. According to the properties of the derived bound, we further design an auxiliary loss for each stage to drive the reduction of this bound, leading to a more robust and effective top-k selection. LCRON enables end-to-end training of the entire cascade ranking system as a unified network. Experimental results demonstrate that LCRON achieves significant improvement over existing methods on public benchmarks and industrial applications, addressing key limitations in cascade ranking training and significantly enhancing system performance.

arxiv情報

著者 Yunli Wang,Zhen Zhang,Zhiqiang Wang,Zixuan Yang,Yu Li,Jian Yang,Shiyang Wen,Peng Jiang,Kun Gai
発行日 2025-03-12 15:52:51+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.IR, cs.LG | Learning Cascade Ranking as One Network はコメントを受け付けていません

Representation Retrieval Learning for Heterogeneous Data Integration

投稿日: 2025年3月13日 作成者: jarxiv

要約

ビッグデータの時代では、大規模でマルチモーダルデータセットがますます遍在しており、予測モデリングと科学的発見の前例のない機会を提供しています。
ただし、これらのデータセットは、既存の予測アルゴリズムの精度を妨げる可能性のある、共変量シフト、事後ドリフト、モダリティの欠落など、複雑な不均一性を示すことがよくあります。
これらの課題に対処するために、表現学習モジュール（代表者）をスパース誘発機械学習モデル（学習者）と統合する新しい表現検索（$ r^2 $）フレームワークを提案します。
さらに、学習代表者に使用される効果的なデータソースを特徴とする代表者の「統合性」の概念を紹介し、プロパティを明示的に改善するための選択的統合ペナルティ（SIP）を提案します。
理論的には、$ r^2 $フレームワークがマルチタスク学習における従来のフルシェアリングの仮定を緩和し、部分的に共有された構造を可能にし、SIPが過剰なリスクバウンドの収束率を改善できることを実証します。
広範なシミュレーション研究は、フレームワークの経験的パフォーマンスを検証し、2つの実際のデータセットへのアプリケーションが既存のアプローチに対する優位性をさらに確認します。

要約(オリジナル)

In the era of big data, large-scale, multi-modal datasets are increasingly ubiquitous, offering unprecedented opportunities for predictive modeling and scientific discovery. However, these datasets often exhibit complex heterogeneity, such as covariate shift, posterior drift, and missing modalities, that can hinder the accuracy of existing prediction algorithms. To address these challenges, we propose a novel Representation Retrieval ($R^2$) framework, which integrates a representation learning module (the representer) with a sparsity-induced machine learning model (the learner). Moreover, we introduce the notion of ‘integrativeness’ for representers, characterized by the effective data sources used in learning representers, and propose a Selective Integration Penalty (SIP) to explicitly improve the property. Theoretically, we demonstrate that the $R^2$ framework relaxes the conventional full-sharing assumption in multi-task learning, allowing for partially shared structures, and that SIP can improve the convergence rate of the excess risk bound. Extensive simulation studies validate the empirical performance of our framework, and applications to two real-world datasets further confirm its superiority over existing approaches.

arxiv情報

著者 Qi Xu,Annie Qu
発行日 2025-03-12 15:54:37+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, stat.ME | Representation Retrieval Learning for Heterogeneous Data Integration はコメントを受け付けていません

Federated Smoothing ADMM for Localization

投稿日: 2025年3月13日 作成者: jarxiv

要約

このペーパーでは、分散データ、非概念性、および非滑らかさが特徴の連合設定でのローカリゼーションの課題に対処します。
このような環境に固有のスケーラビリティと外れ値の問題に取り組むために、新しいフェデレートADMMフレームワーク内で$ \ ell_1 $ -NORMの定式化を採用する堅牢なアルゴリズムを提案します。
このアプローチは、総変動コンセンサス用語の反復滑らかな近似を統合し、減算された形式で表示される凸関数のモローエンベロープ近似を統合することにより、問題に対処します。
この変換により、問題が各反復でスムーズで弱く凸状であることが保証され、その結果、計算効率が向上し、推定精度が向上します。
提案されているアルゴリズムは、非同期更新と反復ごとの複数のクライアントの更新をサポートし、実際のフェデレーションシステムへの適応性を保証します。
提案されたアルゴリズムの信頼性を検証するために、この方法が固定点に収束することを示し、数値シミュレーションは、既存の最先端のローカリゼーション方法と比較して、収束速度と外れ値の回復力の優れたパフォーマンスを強調しています。

要約(オリジナル)

This paper addresses the challenge of localization in federated settings, which are characterized by distributed data, non-convexity, and non-smoothness. To tackle the scalability and outlier issues inherent in such environments, we propose a robust algorithm that employs an $\ell_1$-norm formulation within a novel federated ADMM framework. This approach addresses the problem by integrating an iterative smooth approximation for the total variation consensus term and employing a Moreau envelope approximation for the convex function that appears in a subtracted form. This transformation ensures that the problem is smooth and weakly convex in each iteration, which results in enhanced computational efficiency and improved estimation accuracy. The proposed algorithm supports asynchronous updates and multiple client updates per iteration, which ensures its adaptability to real-world federated systems. To validate the reliability of the proposed algorithm, we show that the method converges to a stationary point, and numerical simulations highlight its superior performance in convergence speed and outlier resilience compared to existing state-of-the-art localization methods.

arxiv情報

著者 Reza Mirzaeifard,Ashkan Moradi,Masahiro Yukawa,Stefan Werner
発行日 2025-03-12 16:01:34+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | Federated Smoothing ADMM for Localization はコメントを受け付けていません

Multiscale Stochastic Gradient Descent: Efficiently Training Convolutional Neural Networks

投稿日: 2025年3月13日 作成者: jarxiv

要約

確率的勾配降下（SGD）は、現代の深い学習最適化の基礎ですが、高解像度データで畳み込みニューラルネットワーク（CNN）をトレーニングするとますます非効率になります。
このペーパーでは、マルチスケール確率勾配降下（Multiscale-SGD）を紹介します。これは、粗からファインまでのトレーニング戦略を活用して、勾配をわずかなコストで推定し、モデルの精度を維持しながらSGDタイプ方法の計算効率を改善する新しい最適化アプローチです。
マルチスケールSGDが効果的であるための理論的基準を導き出し、標準の畳み込みを使用できる一方で、騒々しいデータの最適ではないことを示します。
これにより、解像度全体で一貫したグラデーションの動作を確保し、マルチスケールトレーニングに適した、学習可能なスケールに依存しないメッシュフリーの畳み込み（MFC）の新しいクラスを導入することになります。
広範な経験的検証を通じて、実際には、（i）マルチスケールSGDアプローチを使用して、さまざまなタスクのさまざまなアーキテクチャをトレーニングできること、および（ii）ノイズが有意でない場合、標準的な畳み込みはマルチスケールトレーニングフレームワークの恩恵を受けることを実証します。
私たちの結果は、深いネットワークの効率的なトレーニングのための新しいパラダイムを確立し、高解像度およびマルチスケール学習タスクの実用的なスケーラビリティを可能にします。

要約(オリジナル)

Stochastic Gradient Descent (SGD) is the foundation of modern deep learning optimization but becomes increasingly inefficient when training convolutional neural networks (CNNs) on high-resolution data. This paper introduces Multiscale Stochastic Gradient Descent (Multiscale-SGD), a novel optimization approach that exploits coarse-to-fine training strategies to estimate the gradient at a fraction of the cost, improving the computational efficiency of SGD type methods while preserving model accuracy. We derive theoretical criteria for Multiscale-SGD to be effective, and show that while standard convolutions can be used, they can be suboptimal for noisy data. This leads us to introduce a new class of learnable, scale-independent Mesh-Free Convolutions (MFCs) that ensure consistent gradient behavior across resolutions, making them well-suited for multiscale training. Through extensive empirical validation, we demonstrate that in practice, (i) our Multiscale-SGD approach can be used to train various architectures for a variety of tasks, and (ii) when the noise is not significant, standard convolutions benefit from our multiscale training framework. Our results establish a new paradigm for the efficient training of deep networks, enabling practical scalability in high-resolution and multiscale learning tasks.

arxiv情報

著者 Niloufar Zakariaei,Shadab Ahamed,Eldad Haber,Moshe Eliasof
発行日 2025-03-12 16:05:08+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | Multiscale Stochastic Gradient Descent: Efficiently Training Convolutional Neural Networks はコメントを受け付けていません

Analyzing the Role of Permutation Invariance in Linear Mode Connectivity

投稿日: 2025年3月13日 作成者: jarxiv

要約

Entezariらで経験的に観察されました。
（2021）ニューラルネットワークの順列不変性を考慮している場合、2つのSGDソリューション間の線形補間に沿って損失障壁がない可能性があります。
この現象は、その理論的関心とモデルのマージなどのアプリケーションにおける実際的な関連性の両方のために、大きな注目を集めています。
このホワイトペーパーでは、教師と学生のセットアップの下で、2層のレリューネットワークのこの現象の細粒分析を提供します。
学生ネットワークの幅$ m $が増加すると、LMC損失障壁モジュロ順列が二重降下挙動を示すことを示します。
特に、$ m $が十分に大きい場合、$ o（m^{-1/2}）$でバリアがゼロに減少します。
特に、このレートは次元の呪いに悩まされておらず、順列がLMC損失障壁をどのように減らすことができるかを示しています。
さらに、学習速度を上げるときにGD/SGDソリューションのスパース性の急激な遷移を観察し、このスパースの好みがLMC損失障壁測定値にどのように影響するかを調査します。
合成データセットとMNISTデータセットの両方での実験は、理論的予測を裏付け、より複雑なネットワークアーキテクチャの同様の傾向を明らかにします。

要約(オリジナル)

It was empirically observed in Entezari et al. (2021) that when accounting for the permutation invariance of neural networks, there is likely no loss barrier along the linear interpolation between two SGD solutions — a phenomenon known as linear mode connectivity (LMC) modulo permutation. This phenomenon has sparked significant attention due to both its theoretical interest and practical relevance in applications such as model merging. In this paper, we provide a fine-grained analysis of this phenomenon for two-layer ReLU networks under a teacher-student setup. We show that as the student network width $m$ increases, the LMC loss barrier modulo permutation exhibits a double descent behavior. Particularly, when $m$ is sufficiently large, the barrier decreases to zero at a rate $O(m^{-1/2})$. Notably, this rate does not suffer from the curse of dimensionality and demonstrates how substantial permutation can reduce the LMC loss barrier. Moreover, we observe a sharp transition in the sparsity of GD/SGD solutions when increasing the learning rate and investigate how this sparsity preference affects the LMC loss barrier modulo permutation. Experiments on both synthetic and MNIST datasets corroborate our theoretical predictions and reveal a similar trend for more complex network architectures.

arxiv情報

著者 Keyao Zhan,Puheng Li,Lei Wu
発行日 2025-03-12 16:22:51+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, stat.ML | Analyzing the Role of Permutation Invariance in Linear Mode Connectivity はコメントを受け付けていません

Large Language Models for Multi-Facility Location Mechanism Design

投稿日: 2025年3月13日 作成者: jarxiv

要約

エージェントの好みに基づいてソーシャルコストを最適化する多目的位置のための戦略的なメカニズムの設計は、必要な広範なドメイン知識と最悪のケースの保証が低いために困難でした。
最近、ディープラーニングモデルが代替案として提案されています。
ただし、これらのモデルには、ドメインの知識と広範なハイパーパラメーターの調整、および解釈可能性が不足している必要があります。これは、学習メカニズムの透明性が必須である場合に実際に重要です。
この論文では、LLMMECHという名前の新しいアプローチを紹介します。これは、大規模な言語モデル（LLM）を、解釈可能なハイパーパラメーターフリー、経験的に戦略的、ほぼ最適なメカニズムを生成するための進化的フレームワークに組み込むことにより、これらの制限に対処します。
私たちの実験結果は、社会的コストがエージェント全体で任意に重み付けされ、エージェントの好みが均一に分布していないさまざまな問題設定で評価され、LLM生成メカニズムが一般に既存の手作りのベースラインと深い学習モデルを上回ることを示しています。
さらに、このメカニズムは、分散剤の好みと、より多くのエージェントを持つより大きなインスタンスに印象的な一般化可能性を示します。

要約(オリジナル)

Designing strategyproof mechanisms for multi-facility location that optimize social costs based on agent preferences had been challenging due to the extensive domain knowledge required and poor worst-case guarantees. Recently, deep learning models have been proposed as alternatives. However, these models require some domain knowledge and extensive hyperparameter tuning as well as lacking interpretability, which is crucial in practice when transparency of the learned mechanisms is mandatory. In this paper, we introduce a novel approach, named LLMMech, that addresses these limitations by incorporating large language models (LLMs) into an evolutionary framework for generating interpretable, hyperparameter-free, empirically strategyproof, and nearly optimal mechanisms. Our experimental results, evaluated on various problem settings where the social cost is arbitrarily weighted across agents and the agent preferences may not be uniformly distributed, demonstrate that the LLM-generated mechanisms generally outperform existing handcrafted baselines and deep learning models. Furthermore, the mechanisms exhibit impressive generalizability to out-of-distribution agent preferences and to larger instances with more agents.

arxiv情報

著者 Nguyen Thach,Fei Liu,Houyu Zhou,Hau Chan
発行日 2025-03-12 16:49:56+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | Large Language Models for Multi-Facility Location Mechanism Design はコメントを受け付けていません