当个体校准模型变为整体失准

概率预测系统常将来自多个模型的概率估计聚合为单一决策。常见假设是：若每个模型均为个体校准，其聚合预测亦将保持良好校准。我们表明，这一假设在多主体环境中失效：即使各模型个体校准，其预测在交互作用下（以Brier分数最优局部响应的博弈论意义上）仍可能整体失准。这一现象自然出现于代理独立训练于重叠数据的情况。我们证明，在基于Brier分数的聚合且信念正相关时，每个代理的最优报告系统性地低估正类概率，导致博弈价格（Price of Anarchy）大于1，只要$Cov(b_i, b_j) > 0$。在标准设置（n=5个代理，两两相关系数=0.5，基准率=0.3）下，实测误漏率的PoA可达7.25倍。相比之下，基于VCG的聚合通过奖励边际贡献实现激励相容，达到支配策略的激励兼容性并接近最优。实验在三大真实数据集（NSL-KDD、UNSW-NB15、信用卡欺诈）上显示，VCG在保持可比准确率的同时提供强鲁棒性，尤其在数据稀疏与对抗场景中表现突出，自适应加权在分布迁移下进一步提升性能。