Mechanisms for Making Crowds Truthful
我们考虑的计划,以获得真实的报告,一个共同的,但隐藏的信号,从大群体的理性,自利的代理人。一个例子是在线反馈机制,用户提供有关产品或服务质量的观察结果,以便其他用户可以准确了解他们期望的质量。然而,(i)提供这样的反馈是昂贵的,并且(ii)提供不正确的反馈有许多动机。这两个问题都可以通过奖励计划来解决,该计划(i)包括获得和报告反馈的成本,以及(ii)最大化真实报告的理性代理人的预期奖励。我们解决了这样的激励相容的奖励,在纯逆向选择的环境中产生的反馈的设计。在这里,一个代理人的真实知识和她对其他代理人报告的可能性的信念之间的相关性可以被利用,使诚实的报告成为一个纳什均衡。在本文中,我们扩展了现有的方法设计激励相容的奖励,也考虑勾结。我们分析不同的场景,例如,一些或所有的代理人勾结。对于每一种情况下,我们调查是否存在一个抗共谋,激励兼容的奖励计划,并使用自动机制设计,以指定一个算法,用于获得一个有效的奖励机制。
2014-01-15 cs.GT
Service-Constraint Based Truthful Incentive Mechanisms for Crowd Sensing
人群感知是一种新的模式,它利用无处不在的智能手机来有效地收集和上传传感数据,从而实现许多新颖的应用。为了实现良好的服务质量的人群感应应用,激励机制是必要的,以吸引更多的用户参与。大多数现有机制仅适用于平台(人群感测组织者)具有预算限制的非约束场景。相反,我们关注的是平台有服务限制的不同场景。基于离线和在线拍卖模型,我们考虑了一个一般性的问题:用户提交他们的私人档案的平台,和平台的目标是选择一个子集的用户在指定的截止日期之前,以最小化总支付,而特定的服务可以完成。特别地,针对选择用户的价值函数是单调子模的情况,设计了离线和在线服务约束激励机制。这些机制分别是个体理性、任务可行性、计算效率、真实性、消费者主权、持续节俭,在实践中也表现良好。最后,我们使用大量的模拟来证明我们的机制的理论特性。
2014-12-24 cs.GT cs.NI
A Participatory Budgeting based Truthful Budget-Limited Incentive Mechanism for Time-Constrained Tasks in Crowdsensing Systems
针对众感知系统中时间约束任务的激励问题,提出基于参与式预算的两层真实预算受限机制,通过居民投票筛选获资助任务方、时隙调度与执行方选择满足预算约束,经理论和仿真验证具备高效性与合理性。
2024-05-16 cs.GT
Incentivized Truthful Communication for Federated Bandits
University of Virginia(弗吉尼亚大学);University of Chicago(芝加哥大学)
针对联邦老虎机中现有激励机制的诚实假设漏洞,提出激励兼容协议Truth-FedBan,使激励与报告成本无关,实现真实报告为最优策略,同时保持次线性遗憾和通信成本,首次实现激励兼容与近乎最优遗憾的兼得。
2024-02-07 cs.GT cs.LG
TRUST-SC: Truthful Multi-Task Double Auction for Quality-Aware Spatial Crowdsourcing in Strategic Environment
VIT-AP University(维特阿普大学);Thapar Institute of Engineering & Technology(塔帕尔工程技术学院)
本文提出TRUST-SC机制,通过三层次架构提升空间众包任务分配效率与执行者可靠性,采用多单位双拍卖确保激励相容性,实验证明其优于现有机制。
2026-04-24 cs.GT
Gradient Manipulation in Distributed Stochastic Gradient Descent with Strategic Agents: Truthful Incentives with Convergence Guarantees
Department of Electrical and Computer Engineering, Clemson University(克莱姆森大学电气与计算机工程系)
本文提出一种完全分布式支付机制,首次在分布式随机梯度下降中保证诚实行为和准确收敛,克服了现有诚实机制的两大局限:依赖集中服务器和牺牲收敛精度。
2026-11-18 cs.GT cs.LG
Informed Truthfulness in Multi-Task Peer Prediction
同伴预测的问题是从没有任何客观的基础事实来评分报告的设置中的代理中获取信息。同伴预测机制试图利用信号之间的相关性,使激励与真实的报告相一致。一个长期存在的问题是无信息均衡的可能性。对于二进制信号,多任务机制[Dasgupta-Ghosh '13]实现了强真实性,因此真实均衡严格地最大化了收益。我们的信号分布的特征条件,这种机制仍然强烈真实的非二进制信号,也提供了一个大大简化的证明。我们引入了相关协议(CA)机制,它处理多个信号,并提供知情的真实性:没有策略配置文件提供更多的回报比真实的报告,在均衡和真实的均衡是严格优于任何不知情的策略(代理人避免获得信号的努力)。CA机制是最大强真实的,因为在一个广泛的机制类中没有机制对更大的信号分布族是强真实的。我们还提供了一个无细节版本的机制,该机制消除了设计人员的任何知识要求,使用许多任务的报告来学习统计数据,同时保留ε-知情的真实性。
2016-06-17 cs.GT
Mechanisms for Risk Averse Agents, Without Loss
近年来,代理人收益为随机变量的拍卖越来越受到人们的关注。特别是,最近在算法机制设计方面的工作已经产生了采用内部随机化的机制,部分地响应于由计算复杂性施加的对确定性机制的限制。对于许多这些机制,这通常被称为真实的期望,激励相容性是视情况而定的假设,代理人是风险中性的。这些机制受到了批评,理由是这种假设过于强烈,因为“真正的”代理人通常是风险厌恶的,而且他们对风险的确切态度通常是先验未知的。作为回应,算法机制设计的研究人员一直在寻求普遍真实机制的设计-激励相容性不假设代理人对风险的态度的机制。我们发现,任何真实的预期机制可以一般转化为一种机制,即使是激励兼容的代理人是风险厌恶,而不修改机制的分配规则。转换后的机制不要求报告制剂的风险状况。等价地,我们的结果可以表述如下:每个(随机)分配规则,是可实现的优势策略时,玩家是风险中性的也是可实现的,当玩家被赋予一个任意的和未知的凹效用函数的钱。
2012-06-13 cs.GT
Peer Truth Serum: Incentives for Crowdsourcing Measurements and Opinions
现代决策工具基于对大量数据的统计分析,这些数据通常是通过查询多个个体来收集的。我们考虑通过众包进行数据汇集,在众包中,独立和自私的代理人,非专家,报告测量结果,如传感器读数,意见,如产品评论,或对人类智能任务的回答。由于信息的准确性与获得信息的努力呈正相关,因此自利的代理人倾向于报告低质量的数据。因此,有必要采取奖励措施,以支付努力的成本,同时阻止随意报告。我们提出了一种新的激励机制,称为同行真理血清,鼓励真实和准确的报告,表明它是唯一的机制,以满足理想的属性的组合。
2017-04-18 cs.GT
No-regret incentive-compatible online learning under exact truthfulness with non-myopic experts
Stern School of Business, New York University(纽约大学斯特恩商学院);University of Victoria(维多利亚大学)
针对在线预测场景中策略性非近视专家的真实报告问题,提出基于I-ELF在线扩展的精确真实机制,在全信息下获O~(√(TN))信念遗憾,bandit场景获O~(T^(2/3)N^(1/3))遗憾,解决开放问题。
2025-02-17 cs.GT cs.LG stat.ML
Ex-Ante Truthful Distribution-Reporting Mechanisms
本文针对拍卖者不知买家真实价值分布的事前分布报告场景,提出阈值增强机制和 Peer-Max 机制,在保证事前激励相容的同时实现先验无关的收入近似最优,并给出匹配的收入上界及多单位扩展。
2025-07-05 cs.GT econ.TH
Incentive-Aligned Multi-Source LLM Summaries
Harvard University(哈佛大学);Google Research(谷歌研究)
本文提出TTS框架,通过激励对齐提升多源摘要的事实准确性与稳健性,同时保持流畅性。
2026-02-25 cs.AI cs.CL cs.GT
More Dominantly Truthful Multi-task Peer Prediction with a Finite Number of Tasks
在设置中,我们问参与者多个类似的可能主观的多项选择问题(例如,你喜欢Bulbasaur?你喜欢松鼠吗?是/否),同伴预测旨在设计鼓励诚实反馈而无需验证的机制。一系列的工作已经成功地设计了多任务的同行预测机制,如实报告是优于任何其他策略(占主导地位的真实),而他们需要无限数量的任务。最近的一项工作提出了第一个多任务对等预测机制,确定性互信息(互信息)机制,其中不仅是占主导地位的真实,但也适用于有限数量的任务(实用)。然而,是否存在其他实用的显性真实多任务同伴预测机制仍然是一个悬而未决的问题。这项工作回答了上述问题,提供1。一种新的信息-单调信息测度族:体积互信息(VMI),其中体积互信息是一种特殊情况; 2.一个新的家庭的实用主导真实的多任务同伴预测机制,VMI机制。为了说明VMI机制的重要性,我们还提供了一个易于处理的努力激励优化目标。我们表明,DMI机制可能不是最优的,但我们可以构建一个序列的VMI机制,近似最优的。本文的主要技术亮点是提出了一种新的几何信息度量--体积互信息,它基于一个简单的思想:我们可以用比A信息量少的物体的数量来度量A的信息量。物体上的不同密度导致不同的信息测量。这也给了行列式互信息一个简单的几何解释。
2021-11-07 cs.GT
Report-Sensitive Spot-Checking in Peer-Grading Systems
同伴评分系统使大型课程更具可扩展性,为学生提供更快,更详细的反馈,并帮助学生通过批判性地思考他人的工作来学习。更广泛地采用同伴评分系统的一个关键障碍是激励学生提供准确的分数。文献已经探索了许多不同的方法来激励准确的评分(我们详细调查),但最强的激励保证已提供的机制,比较同行等级可信的TA等级与固定的概率。在这项工作中,我们表明,当这些概率被允许依赖于学生报告的成绩时,TA的工作需要减少。我们证明了这一结果在一个模型中有两个可能的等级,任意数量的代理,没有要求学生评分多个作业,任意但均匀的噪音观察的地面真理,学生可以支付固定的成本来观察,和误报成绩的可能性之前或之后观察这个信号。我们给出了我们的新机制的可行性的必要和充分条件,证明了在这些假设下的最优性,并描述了它的改进,在以前的国家的最先进的分析和经验。最后,我们放松了同质性假设,允许每个学生和TA根据不同的噪声模型观察地面真实情况。
2021-03-09 cs.GT
Incentive-Compatible Recovery from Manipulated Signals, with Applications to Decentralized Physical Infrastructure
Harvard(哈佛大学);Columbia University(哥伦比亚大学);a16z crypto(a16z加密部门)
本文提出首个刻画从不可信源获取不可验证信息的形式化模型,建立源可识别性条件并构造严格真实机制,证明其唯一均衡性,并将结果应用于 DePIN 中的位置证明和带宽证明。
2025-03-10 cs.ET cs.GT cs.LG
An Incentive-Compatible Scheme for Electricity Cooperatives: An Axiomatic Approach
School of Systems and Enterprises, Stevens Institute of Technology(史蒂文斯理工学院系统与企业学院)
本文提出一种名为预测合作社(PCP)的新方案,通过整合商业和居民用电用户参与电力市场。采用公理化方法计算日前报价并分解集体成本,确保成员参与和真实报告负载。
2016-08-03 cs.GT cs.SY eess.SY
PeerBTS: Incentivizing Effort in Strategyproof Peer Selection
Tulane University(杜兰大学);Ben-Gurion University(本-古里安大学)
针对同行选择机制缺乏对评估努力激励的问题,提出PeerBTS机制,结合同行预测抽奖与现有机制,在保持贝叶斯纳什激励兼容的同时激励努力,并通过理论证明和模拟验证其有效性。
2026-05-22 cs.GT
It Takes Two: A Peer-Prediction Solution for Blockchain Verifier's Dilemma
针对区块链验证者因成本缺乏诚实验证动机的困境,本文提出拜占庭鲁棒的对等预测框架,设计单阶段贝叶斯真实机制,无需真实值即可激励验证者诚实验证,增强区块链等系统的安全性与稳健性。
2025-08-20 cs.CR cs.GT
Modeling conflicting incentives in engineering senior capstone projects: A multi-player game theory approach
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Texas A&M University(德克萨斯农工大学)
本文提出一种多玩家博弈论框架,用于分析工程毕业设计中利益相关者之间的激励冲突及政策影响。
2026-01-15 cs.CY cs.GT