及早顺应趋势：基于被动通信的自稳定信息扩散

如何高效且可靠地在系统中扩散信息，是分布式计算中最基本的问题之一。近来，受生物学场景启发，若干工作聚焦于确定在故障条件下扩散信息所需的最小通信资源。在此我们研究由 Boczkowski、Korman 和 Natale 在 [SODA 2017] 中引入的自稳定比特传播问题。该问题考虑一个含 n 个智能体的完全连通网络，其意见空间为二值，其中一种被称为正确意见。任意时刻，每个智能体持有一个意见位作为其公开输出。群体中包含一个源智能体，它知道哪种意见正确，该智能体采纳正确意见并在整个执行过程中保持。我们考虑基本的 PULL 通信模型，其中每个智能体每轮观察相对较少的随机选取的智能体。非源智能体的目标是以自稳定方式（即面对任意初始配置）快速收敛于正确意见。一旦群体收敛于正确意见，就应永远保持。受动物观察并响应他者行为的生物学场景驱动，我们聚焦于极度受限的被动通信模型，该模型假设观察另一智能体时唯一可提取的信息是该智能体的意见位。我们证明该问题可以高概率在关于 n 的多对数轮数内解决，且每轮采样对数个智能体。先前工作更快且用更少样本解决了该问题，但它们通过将智能体发送的消息与其输出意见解耦来实现，因此不符合被动通信框架。此外，这些工作使用带精细时钟的复杂递归算法，生物实体不太可能采用。相比之下，我们提出的算法具有自然吸引力，其基于让智能体估计动态的当前趋势方向，进而顺应涌现的趋势。