Eliciting Thinking Hierarchy without a Prior
本文研究在无先验条件下从群体回答中识别更资深人群的正确答案,提出思维层级模型、学习算法及开放式众包方法,并通过实证表明其准确率显著优于多数投票。
2022-10-17 cs.GT
Modeling Voters in Multi-Winner Approval Voting
Tulane University(杜兰大学);Louisiana State University(路易斯安那州立大学);University of West Florida(西佛罗里达大学);Institute for Human and Machine Cognition(人机认知研究所)
在许多现实世界的情况下,集体决策是通过投票做出的,在委员会或董事会选举等情况下,采用返回多个获胜者的投票规则。在多获胜者批准投票(AV)中,代理人提交一张选票,其中包括对任意多个候选人的批准,通过清点选票并选择获得最多批准的前$k$候选人来选择获胜者。在许多情况下,代理人可能会操纵他们提交的选票,以便通过以不反映其真实偏好的方式投票来实现更好的结果。在复杂和不确定的情况下,代理人可能会使用人工智能,而不是招致额外的努力,计算最有利于他们的操纵。在本文中,我们研究了投票行为,在单赢家和多赢家批准投票的情况下,不同程度的不确定性,从机械土耳其获得的行为数据。我们发现,人们通常操纵他们的投票,以获得更好的结果,但往往不确定最佳的操纵。在COMSOC和心理学文献中,有许多基于认知上合理的启发式策略的智能体行为预测模型。我们表明,现有的方法不足以模拟真实世界的数据。我们提出了一个新的模型,考虑到获胜集的大小和人类的认知约束,并证明该模型是更有效地捕捉现实世界中的行为在多个赢家批准投票的情况下。
2020-12-04 cs.AI cs.GT cs.MA
Beating humans in a penny-matching game by leveraging cognitive hierarchy theory and Bayesian learning
University of Michigan(密歇根大学)
人工智能(AI)的长期目标是在决策方面优于人类。游戏适合测试人工智能在非数字任务中做出正确决策的能力。在本文中,我们开发了一种新的人工智能算法来玩香农的“读心机”(1953)中考虑的便士匹配游戏。特别是,我们利用认知层次理论和贝叶斯学习技术来不断发展预测人类玩家决策的模型,并让AI玩家根据模型预测做出决策,以追求最佳的获胜机会。实验结果表明,我们的AI算法击败了30名志愿者中的27名。
2021-02-13 cs.AI cs.GT cs.LG
Improving Cooperation in Language Games with Bayesian Inference and the Cognitive Hierarchy
Brigham Young University(杨百翰大学)
本文提出结合贝叶斯推断与认知层级建模伙伴类型,处理语义和语用不确定性,在Codenames游戏中提升合作表现。
2024-12-16 cs.AI cs.GT
Evaluating approval-based multiwinner voting in terms of robustness to noise
Aarhus University(奥胡斯大学);Computer Technology Institute “Diophantus”(“丢番图”计算机技术研究所);University of Patras(帕特雷大学)
基于批准的多赢家投票规则最近在计算社会选择文献中受到了广泛关注。这些规则汇总了批准选票,并决定了一个获胜的备选委员会。为了评估有效性,我们建议采用专门为批准投票和委员会量身定制的新噪声模型。这些模型将地面真相委员会作为输入,并返回随机的批准投票,这些投票被认为是对地面真相的噪声估计。基于批准的多赢家投票规则的最低鲁棒性要求是在应用于具有足够多的噪声投票的配置文件时返回基本事实。我们的研究结果表明,批准为基础的多赢家投票总是稳健的合理噪音。我们进一步完善这一发现,提出了一个层次的规则,他们是如何强大的噪音。
2020-11-07 cs.AI cs.GT
$\aleph$-IPOMDP: Mitigating Deception in a Cognitive Hierarchy with Off-Policy Counterfactual Anomaly Detection
Max Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所);Edith Cowan University(伊迪丝·考恩大学);University of Lincoln(林肯大学);The Hebrew University of Jerusalem(耶路撒冷希伯来大学)
$\aleph$-IPOMDP通过非策略反事实异常检测机制,缓解认知层级中的欺骗问题,提升博弈中的公平性和安全性。
2026-01-12 cs.GT cs.MA
Generalized dynamic cognitive hierarchy models for strategic driving behavior
University of Waterloo(滑铁卢大学)
本文提出通用动态认知层次模型,用于建模自然驾驶行为和自动驾驶车辆的行为规划,通过自动机策略和稳健响应解决有限理性和共同知识假设问题。
2022-03-23 cs.AI cs.GT cs.MA
False-Name Manipulation in Weighted Voting Games is Hard for Probabilistic Polynomial Time
假名操纵是指在加权投票游戏中,玩家是否可以通过分裂成几个玩家并在这些虚假身份中分配她的权重来增加她的权力。类似于这个分裂问题,有利的合并问题询问是否一个联盟的球员可以增加他们的权力,在加权投票游戏合并他们的权重。Aziz等人[ABEP 11]分析了加权投票游戏中合并或分裂玩家是否有利于Shapley-Shubik和归一化Banzhaf指数的问题,Rey和Rothe [RR 10]也对概率Banzhaf指数进行了分析。所有这些结果仅仅提供了这些问题的NP-困难下限,留下了关于其确切复杂性的问题。对于Shapley-Shubik和概率Banzhaf指数,我们提出这些下限的PP,“概率多项式时间“的硬度,并提供匹配的上限有益的合并,每当假身份的数量是固定的,也有益的分裂,从而解决了以前的programmures肯定。从我们的结果可以看出,这两个功率指数的有益合并和分裂不能在NP中解决,除非多项式层次结构崩溃,这被认为是极不可能的。
2013-03-07 cs.CC cs.GT
Improving Quantal Cognitive Hierarchy Model Through Iterative Population Learning
在智能体策略性交互的领域,博弈论被广泛应用于预测智能体的行为。然而,博弈论的预测是基于这样一个假设,即代理人是完全理性的,并且相信均衡策略,不幸的是,当人类决策者参与时,这一假设大多不成立。为了解决这个问题,一些行为博弈论模型被定义来解释人类决策者的有限理性。量子认知层次模型(QCH)是近年来发展起来的一种模型,它被证明是预测正常形式游戏中人类行为的最先进的模型。QCH模型假设博弈中的主体既可以是非战略性的(0级),也可以是战略性的($k$级)。对于0级代理,他们选择自己的策略,而不考虑其他代理。对于$k$级代理,他们假设其他代理的行为水平低于$k$,并对它们做出最佳响应。然而,QCH模型的一个重要假设是,代理人的水平分布遵循泊松分布。在本文中,我们放松了这一假设,并设计了一个基于学习的方法,在人口水平迭代估计代理的推理水平的经验分布。通过使用来自瑞典最低唯一正整数游戏的真实世界数据集,我们展示了我们的改进QCH模型和迭代求解过程可以用于为代理提供更准确的行为模型。这导致了在拟合真实数据方面的更好性能,并允许我们跟踪智能体在多轮学习策略性游戏方面的进展。
2023-02-25 cs.GT cs.MA econ.TH
Designing Digital Voting Systems for Citizens: Achieving Fairness and Legitimacy in Participatory Budgeting
本研究通过行为实验探讨了参与式预算中的投票规则设计,发现表达性更强的输入格式和“均分份额法”能降低认知负荷并提升公民感知的公平性与合法性。
2024-03-21 cs.CY cs.GT cs.HC
Generalizing Instant Runoff Voting to Allow Indifferences
本研究提出可处理弱序偏好的Approval-IRV规则,证明其是唯一保留IRV核心公理性质的扩展方案,优于现有Split-IRV,且多获胜者版本Approval-STV仍保留强比例代表性质。
2024-04-17 cs.GT econ.TH
Learning How to Communicate in the Internet of Things: Finite Resources and Heterogeneity
为了实现物联网(IoT)的无缝部署,需要自组织解决方案来克服关键的IoT挑战,包括数据处理、资源管理、与现有无线网络的共存以及改进的IoT范围内的事件检测。解决这些挑战的最有前途的解决方案之一是通过使用创新的学习框架,使物联网设备能够在动态环境中自主运行。然而,为物联网开发学习机制需要在资源约束、异构性和严格的服务质量要求方面应对独特的物联网属性。在本文中,提出了一些适合物联网应用的新兴学习框架。特别是,研究了机器学习、顺序学习和强化学习的优点、局限性、物联网应用和关键结果。对于每种类型的学习,计算复杂性,所需的信息,和学习性能进行了讨论。然后,为了处理物联网的异构性,引入了基于认知层次理论的强大工具的新框架。该框架被证明可以有效地捕获不同的IoT设备类型和IoT设备之间不同级别的可用资源。特别是,物联网设备的不同资源能力被映射到认知层次理论中的不同合理性水平,从而使物联网设备能够根据其可用资源使用不同的学习框架。最后,提出了在物联网中使用认知层次理论的关键结果。
2016-10-13 cs.GT cs.IT math.IT
Proportional Representation in Temporal Voting with Ranked Preferences
Ariel University(阿里埃勒大学);University of Oxford(牛津大学)
本文研究时间投票中排序偏好的比例代表制,提出多种截止点解释下的公理层级,分析各公理的可保证性及所需未来知识,并证明检查复杂性。
2026-09-28 cs.AI cs.GT
The Complexity of Online Manipulation of Sequential Elections
大多数关于操纵的工作都假设操纵者知道所有的偏好。然而,在许多情况下,选举是公开和顺序的,操纵者可能知道已经投下的选票,但可能不知道未来的选票。我们引入了一个框架,在这个框架中,操纵者可以看到过去的选票,但不能看到未来的,模拟在线联盟操纵顺序选举,我们表明,在这种设置中,操纵可以是非常复杂的,即使是简单的赢家问题的选举系统。然而,我们也表明,对于一些最重要的选举制度,这种操纵在某些情况下是简单的。这表明在使用顺序投票时,在选择投票规则时应非常注意设置的细节。我们的分类的亮点之一是:我们表明,根据操纵联盟的大小,在线操纵问题可以完成的多项式层次结构的每一个级别,甚至PSPACE。我们获得了迄今为止非唯一获胜者和唯一获胜者模型之间最引人注目的对比:在线加权操纵的多个在非唯一获胜者模型中是P,但在唯一获胜者模型中是coNP难(建设性情况)和NP难(破坏性情况)。我们获得了据我们所知的计算社会选择领域的第一个PNP[1]-完备性和PNP-完备性结果,特别是分别证明了3-候选人和4-候选人(和无限候选人)在线加权联盟操纵否决选举的复杂性的完备性。
2013-10-23 cs.GT
The Complexity of Online Manipulation of Sequential Elections
大多数关于操纵的工作都假设操纵者知道所有的偏好。然而,在许多情况下,选举是公开和顺序的,操纵者可能知道已经投下的选票,但可能不知道未来的选票。我们引入了一个框架,在这个框架中,操纵者可以看到过去的选票,但不能看到未来的,模拟在线联盟操纵顺序选举,我们表明,在这种设置中,操纵可以是非常复杂的,即使是简单的赢家问题的选举系统。然而,我们也表明,对于一些最重要的选举制度,这种操纵在某些情况下是简单的。这表明在使用顺序投票时,在选择投票规则时应非常注意设置的细节。我们的分类的亮点之一是:我们表明,根据操纵联盟的大小,在线操纵问题可以完成的多项式层次结构的每一个级别,甚至PSPACE。我们获得了迄今为止非唯一获胜者和唯一获胜者模型之间最引人注目的对比:在线加权操纵的多个在非唯一获胜者模型中是P,但在唯一获胜者模型中是coNP难(建设性情况)和NP难(破坏性情况)。我们获得了据我们所知的计算社会选择领域的第一个P^NP[1]-完备性和P^NP-完备性结果,特别是分别证明了3-候选人和4-候选人(和无限候选人)在线加权联盟操纵否决选举的复杂性的完备性。
2012-09-28 cs.CC cs.GT cs.MA
Proportionality Degree of Multiwinner Rules
我们研究了基于批准偏好的多赢家选举。一个多赢家选举的实例由一组备选方案、一群投票者(每个投票者批准一个备选方案子集)和所需的委员会规模$k$组成;目标是根据投票者的偏好选择一个$k$备选方案委员会(一个子集)。我们调查了一些选举规则,并询问他们选出的委员会是否按比例代表选民。与经典文献相比,我们采用定量技术,允许测量所考虑的规则成比例的程度。这使我们能够以清晰的层次结构安排规则。例如,我们发现,比例批准投票(PAV)有更好的比例保证比它的顺序对应,Phragmén的顺序规则是比顺序PAV差。然而,这两个顺序规则的比例损失是适度的,在某些情况下,可以被它们的其他吸引人的属性所抵消。最后,我们衡量的比例和功利效率之间的权衡委员会选举规则的一个广泛的子类。
2019-10-14 cs.GT cs.MA