稳健聚合中基准忽视的意外收益

稳健聚合整合来自多个专家的预测，而无需了解专家的信息结构。先前工作假设专家为贝叶斯专家，提供基于其信号的完美后验。然而，现实中的专家往往系统性地偏离贝叶斯推理。我们的工作考虑倾向于忽略基准率的专家。我们发现，适度的基准忽视有助于稳健预测聚合。具体而言，我们考虑两个专家在观察私有信号后预测二元世界状态的聚合问题。与之前的工作不同，我们建模 exhibit 基准忽视的专家，即他们以 $\lambda\in[0,1]$ 的程度将基准率信息纳入预测，其中 $\lambda=0$ 表示完全不知情，$\lambda=1$ 表示完美贝叶斯更新。为评估聚合器的性能，我们采用 Arieli 等人(2018)提出的极差后悔模型，该模型衡量在所考虑的信息结构集合中相对于全知基准的 maximum regret。我们的结果揭示了随着 $\lambda$ 变化而产生的意外 V 形后悔曲线，即具有中间程度基准率 $\lambda<1$ 的预测反而可能产生低于完美贝叶斯后验 $\lambda=1$ 的较低后悔。我们此外提出了一种对未知 $\lambda$ 鲁棒且后悔较低的新型聚合器。最后，我们进行了实证研究以检验基准忽视模型并评估各种聚合器的性能。