gossip 在网络化智能体信息分发中的作用

我们考虑一个由 gossiping 智能体（节点）组成的网络上的信息分发问题。在该模型中，一个信源掌握关于世界时变二值状态的最新信息，$n$ 个接收节点希望尽可能准确地跟踪信源处的信息。当信源处的信息发生变化时，信源首先向 $m\leq n$ 个节点的子集发送更新。此后，节点在 gossip 期间共享其本地信息以进一步传播信息。随后，节点在 gossip 期结束时使用多数规则估计信源处的信息。为分析信息分发，我们引入一种新的误差度量，以求得能够准确获取信源最新信息的节点的平均百分比。我们刻画了获得平均误差稳态分布所需的方程，并分析了系统在高 gossip 率与低 gossip 率下的行为。在高 gossip 率（每个节点可更频繁地访问其他节点信息）下，我们表明节点基于网络中信息的多数来更新其信息。在低 gossip 率下，我们引入并分析了 gossip 增益，即由 gossip 带来的平均误差的减少量。特别地，我们开发了一种自适应策略，信源可据此基于其过往传输速率与节点处信息的准确度来确定其当前传输容量 $m$。数值结果表明，当信源的传输容量 $m$ 受限时，gossip 可能是有害的，因为它会导致错误信息传播。我们随后找到了在固定 $m$ 下使平均误差最小的最优 gossip 率。最后，我们展示了即使在高中，我们的自适应策略相对于恒定 $m$ 选择策略的优越性。