基于参数化智能体的参数化预测
计算机科学与博弈论
2016-02-25 v1 人工智能
摘要
我们考虑一个基于从具有私有信息的异质理性智能体处获取的偏好意见进行预测的问题。以最小代价做出准确预测需要对激励机制与预测算法进行联合设计。此类问题位于统计学习理论与博弈论的交叉点，并出现在许多领域如消费者调查与移动众包中。为了抽取异质智能体的私有信息并激励具有不同能力的智能体按照委托人的最佳利益行事，我们设计了一个称为 COPE (COst and Prediction Elicitation) 的最优联合激励机制与预测算法，其分析提供了若干有价值的工程洞见。首先，当智能体产生的成本与所付出努力成线性关系时，COPE 对应于一种“群体竞争”机制，其中委托人仅雇用具有最高能力的智能体。其次，当成本为二次时，COPE 对应于一种“众包”机制，同时雇用多个具有不同能力的智能体。数值模拟表明，与那些假设所有智能体能力相同的机制相比，COPE 显著提高了委托人的收益与网络收益（在我们的模拟中大于30%）。
引用
@article{arxiv.1602.07435,
title = {Parametric Prediction from Parametric Agents},
author = {Yuan Luo and Nihar B. Shah and Jianwei Huang and Jean Walrand},
journal= {arXiv preprint arXiv:1602.07435},
year = {2016}
}