规避冒名者与恶意者：对抗性众包与同行预测

我们考虑这样一个众包模型：$n$ 个工人被要求对先前由其他工人生成的 $n$ 个物品的质量进行评分。一个未知的 $\alpha n$ 个工人集合生成可靠的评分，而其余工人可能任意行事，甚至可能具有对抗性。实验管理者也可以手动评估少量物品的质量，并希望将几乎所有高质量物品与至多 $\epsilon$ 比例的低质量物品一起筛选出来。令人惊讶的是，我们表明这是可能的，且管理者和每个工人所需的工作量不随 $n$ 增加：数据集可以通过每个工人 $\tilde{O}\Big(\frac{1}{\beta\alpha^3\epsilon^4}\Big)$ 次评分和管理者 $\tilde{O}\Big(\frac{1}{\beta\epsilon^2}\Big)$ 次评分来筛选，其中 $\beta$ 是高质量物品的比例。我们的结果扩展到更一般的同行预测设置，包括在线课堂中的同行评分。