存在观测误差时交互智能体网络的知识获取

在这项工作中，我们研究了多个智能体在存在观测误差的情况下，通过交互推断复杂系统的各自模型来进行知识获取的过程。我们关注一个特定情形：在每个时间步，每个智能体考虑其当前观测以及其邻居模型平均值。智能体通过Erdős-Rényi或Barabási-Albert类型的交互网络连接。首先，我们研究了其中一个智能体具有不同（更高或更低）观测误差概率的情况。结果表明，这个特殊智能体对网络其余部分推断模型质量的影响可能是显著的，并且与该具有不同估计误差的智能体的度数呈线性变化。如果将该智能体的度数视为相应的适应度参数，则不同估计误差的影响甚至更为显著，变为超线性。为了补充我们的分析，我们提供了系统整体行为的解析解。我们还研究了当智能体被分组为社区时的知识获取动态。我们验证了，在具有较高观测误差概率的智能体之间（在一个社区内）添加边会促进其他社区中智能体估计质量的损失。