信息共享何时能改善去中心化发现？聚合、独立救援与均衡选择

arXiv cs.AI 论文
information-sharing decentralized-discovery equilibrium-selection game-theory multi-agent-systems

摘要

本文研究了信息共享在何种条件下能改善去中心化发现过程，重点关注聚合、独立救援和均衡选择等概念。

arXiv:2609.01814v1 公告类型：新 摘要：信息共享可以改善汇总估计，同时消除独立救援行动。本文在精确的有限发现模型中分离了这些效应。一个集中的行动预算分布显示，相等的单人准确性可以与不同的投资组合价值共存。在注册的增量共享协议下，只有当汇总残差误差比独立救援尝试收缩得更快时，共享步骤才能改善发现。精确的有界注册表展示了压缩、聚合、中性曲线和一个有界的零混合类。在一个具有隐藏的公共和独立信号源混合的两智能体贝叶斯博弈中，注册的选定均衡在信号准确性3/5时产生了一个严格正共享区间，而其他均衡表明该结果依赖于选择而非普遍适用。这些模型是合成且有限的；没有使用人类或组织数据。
查看原文
查看缓存全文

缓存时间: 2026/09/03 05:57 

# 信息共享何时能改进去中心化发现？聚合、独立救援与均衡选择
来源：https://arxiv.org/abs/2609.01814
文献工具

## 文献与引用工具

文献浏览器切换

代码、数据、媒体

## 本文相关的代码、数据与媒体

演示

## 演示

相关论文

## 推荐与搜索工具

关于 arXivLabs

## arXivLabs：与社区协作者共同开展的实验性项目

arXivLabs 是一个框架，允许协作者直接在我们的网站上开发和分享新的 arXiv 功能。

与 arXivLabs 合作的个人和组织均已接受并认同我们关于开放、社区、卓越以及用户数据隐私的价值观。arXiv 坚守这些原则，仅与遵循这些原则的合作伙伴共事。

有能为 arXiv 社区增添价值的项目构想？**了解更多关于 arXivLabs 的信息** (https://info.arxiv.org/labs/index.html)。

相似文章

多元证据，更优预测：信息不对称下的多智能体协商

arXiv cs.AI

本文介绍了InfoDelphi框架，该框架利用信息不对称（将证据划分为共享的公共子集和不相交的私有子集）来改进多智能体LLM的协商与预测。在PolyGym基准测试上，它在Brier得分上比单智能体和多智能体基线提升12-18%，在准确率上提升4-8个百分点，证明了多样化证据是有效多智能体推理的关键。

高效获取集体分歧

arXiv cs.AI

介绍了一个分层框架，用于识别计算分歧度量所需的最小汇总偏好信息，提出了 plurality matrix，并证明成对比较是不够的；设计了获取协议，在参与者数量与认知负荷之间进行权衡。

多智能体协作何时有效？熵的视角

arXiv cs.AI

本文从熵的视角审视多智能体系统（MAS），分析智能体内部与之间的动态。研究发现，单个智能体通常优于MAS，并引入了熵判断算法以提高MAS性能。