FaRM：自发局部场景下信息聚合的公平奖励机制（扩展版）
计算机科学与博弈论
2019-06-11 v1 人工智能
摘要
尽管同行预测市场广泛用于众包中以从智能体聚合信息，但它们常未能公平地奖励参与智能体。诚实智能体若随机与不诚实者配对可能被错误惩罚。本工作中，我们引入选择公平性与累积公平性。我们将同时满足这两种概念的机制刻画为公平的，并给出我们设计的代表性机制 FaRM。FaRM 是一种纳什激励机制，专注于自发局部活动的信息聚合；此类活动仅有有限数量智能体可访问，且不假设对事件有任何先验知识。附近所有智能体观察到相同信息。FaRM 使用 (i) 报告强度分数以消除与不实报告者随机配对的风险，(ii) 一致性分数以衡量智能体准确报告的历史并区分有价值报告，(iii) 可靠性分数以估计智能体邻近合谋的概率并防止智能体被左右，(iv) 位置鲁棒性分数以过滤未身处所考虑场景中却试图参与的智能体。报告强度、一致性与可靠性共同代表了基于智能体报告给予其的公平奖励。
引用
@article{arxiv.1906.03963,
title = {FaRM: Fair Reward Mechanism for Information Aggregation in Spontaneous Localized Settings (Extended Version)},
author = {Moin Hussain Moti and Dimitris Chatzopoulos and Pan Hui and Sujit Gujar},
journal= {arXiv preprint arXiv:1906.03963},
year = {2019}
}
备注
13 pages, IJCAI Main Track Extended version of "FaRM: Fair Reward Mechanism for Information Aggregation in Spontaneous Localized Settings"