Privacy Impact on Generalized Nash Equilibrium in Peer-to-Peer Electricity Market
我们考虑一个点对点的电力市场，代理人持有他们可能不想分享的私人信息。该问题被建模为一个非合作的通信游戏，它采取的形式是一个广义纳什均衡问题，其中代理商确定他们的随机报告与其他市场参与者共享，同时预期的形式对等市场均衡。在非合作博弈中，每个代理决定报告的确定性部分和随机部分，使得（a）报告的确定性部分与真实隐私信息之间的距离是有界的，并且（b）隐私损失随机变量的期望是有界的。这允许每个代理更改其隐私级别。我们刻画了博弈均衡的特征，证明了变分均衡的唯一性，并给出了隐私价格的封闭表达式。此外，我们提供了一个封闭形式的表达式来衡量包含随机噪声和确定性偏离代理的真实值所造成的隐私保护的影响。数值例子上的14总线IEEE网络。
2021-01-18 cs.GT math.OC
PeerNomination: Relaxing Exactness for Increased Accuracy in Peer Selection
Tulane University（杜兰大学）；University of Warwick（华威大学）
在同行选择代理必须选择自己的一个子集的奖励或奖品。由于代理人是自私的，我们希望设计公平的算法，这样单个代理人就不会影响自己被选中的机会。这个问题在资源分配和机制设计中有着广泛的应用，并在人工智能文献中得到了大量的关注。在这里，我们提出了一种新的算法，公平的对等点选择，PeerNomination，并提供其准确性的理论分析。我们的算法具有各种理想的功能。特别是，它不需要一个明确的分区的代理，在文献中以前的算法。我们的经验表明，它实现了更高的精度比现有的算法在几个指标。
2020-04-30 cs.AI cs.GT cs.MA
Manipulating Scrip Systems: Sybils and Collusion
分布式和对等系统的博弈论分析通常使用纳什均衡解决方案的概念，但这明确排除了涉及多个代理的战略行为的可能性。我们研究的影响，两种类型的战略行为，涉及一个以上的代理商，sybils和共谋，在代理商相互提供服务，以换取代币的代币系统的背景下。Sybils使代理人更有可能被选中提供服务，这通常使没有sybils的代理人更难赚钱，并降低了社会福利。令人惊讶的是，在某些情况下，sybils有可能使所有代理人都变得更好。虽然共谋通常是不好的，但在代币系统的背景下，它实际上倾向于使所有代理人都变得更好，而不仅仅是那些共谋者。这些结果也提供了洞察允许代理人做广告和贷款的影响。虽然许多扩展的纳什均衡已被提出，解决共谋和其他相关的分布式和对等系统的问题，我们的研究结果表明，他们都没有充分解决的问题所提出的sybils和共谋在代币系统。
2009-03-12 cs.GT
Peer Prediction with More Signals than Reports
University of Colorado Boulder（科罗拉多大学博尔德分校）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本文研究了信号空间比报告空间更丰富的同伴预测机制，发现传统均衡在新模型中不再成立，并提出更稳健的机制以提升稳定性。
2026-03-25 cs.GT
Analyzing the Effects of Two-Stage Peer Evaluation
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Tulane University（杜兰大学）；University of Edinburgh（爱丁堡大学）
本文研究两阶段同行评估机制对策略性同行选择机制（Partition和ExactDollarPartition）的影响，通过理论分析和模拟实验揭示参数如何影响不同排名代理的入选概率。
2026-05-22 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
Peer Prediction with Heterogeneous Tasks
同伴预测是一种在无法验证响应质量的环境中促进用户贡献信息的方法。在多任务对等预测中，来自多个任务的用户的报告用于对贡献进行评分。本文扩展了相关协议（CA）的多任务同行预测机制，允许从用户的报告是异构的任务，每个与不同的分布响应。动机来自于想要引出关于城市中的地方的用户生成的内容，其中任务不同，因为地方和关于地方的问题不同。我们证明了广义CA机制在弱条件下是真实的，这意味着它对用户投入精力和获取信息是严格有益的，并且真实的报告是投入精力时的最佳策略，也是一个均衡。我们证明了该机制具有良好的激励性能时，来自谷歌本地指南的用户报告的分布模拟测试。
2017-10-06 cs.GT
Information Gathering with Peers: Submodular Optimization with Peer-Prediction Constraints
我们研究了一个问题，从多个数据提供者，需要激励提供准确的信息的最佳信息收集。这个问题出现在许多依赖于众包数据集的现实世界应用程序中，但其中获取数据的过程是昂贵的。这种场景的一个值得注意的例子是人群感知。为此，我们制定的最佳信息收集的问题作为最大化的子模块化功能的预算约束下，其中的预算表示的总预期支付给数据提供商。与现有的方法相反，我们将我们的支付基于对准确性和真实性的激励，特别是{ \em peer-prediction}方法，该方法将每个选定的数据提供者与其最佳同行进行评分，同时确保最低预期支付高于给定阈值。我们首先表明，手头的问题是很难近似在一个常数因子，不依赖于支付函数的属性。然而，对于给定的拓扑和分析性质的情况下，我们构造了两个贪心算法，分别称为PPCGreedy和PPCGreedyIter，并建立理论界上的性能w.r.t.最佳解决方案。最后，我们使用一个现实的人群感知测试平台来评估我们的方法。
2017-11-24 cs.GT
Auction Design through Multi-Agent Learning in Peer-to-Peer Energy Trading
分布式能源（DER），如屋顶太阳能电池板，正在迅速增长，并正在重塑电力系统。为了促进DER，公用事业通常采用上网电价（FIT）向DER所有者支付一定的固定费率，以向电网供应能源。FIT的替代方案是基于市场的方法;也就是说，消费者和DER所有者在基于拍卖的点对点（P2P）市场上交易能源，价格根据供需确定。然而，拍卖的复杂性和市场参与者的有限理性可能会使许多成熟的拍卖设计理论失效，阻碍市场的发展。为了解决这些挑战，我们提出了一个自动投标框架的基础上，多代理，多臂强盗学习重复拍卖，其目的是尽量减少每个投标人的累积遗憾。数值结果表明，这样的多智能体学习游戏收敛到一个稳定的状态。特别感兴趣的拍卖设计，我们已经应用的框架，四个不同的实现重复双边拍卖，比较其市场结果。虽然很难选出一个明确的赢家，但$k$ -双向拍卖（统一定价拍卖的一种变体）和McAfee拍卖（Vickrey双向拍卖的一种变体）总体上表现良好，各有优缺点。
2021-10-20 cs.GT cs.SY eess.SY
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
Peer Selection with Noisy Assessments
Ben-Gurion University（本-古里安大学）；Tulane University（杜兰大学）；University of Warwick（华威大学）
在对等体选择问题中，一组代理必须选择自己的一个子集作为获胜者，例如，同行评审的补助金或奖金。在这里，我们采取孔多塞的观点，这个聚集问题，即，有一个地面实况排序的代理人，我们希望选择最好的一组代理人，受同行的嘈杂的评估。在这种模式下，一些代理人可能是不可靠的，而另一些代理人可能是自私的，试图影响结果。在本文中，我们扩展PeerNomination，最准确的同行评审算法，到WeightedPeerNomination，这是能够处理嘈杂和不准确的代理。为了做到这一点，我们明确地制定评估员的可靠性权重的方式，不违反战略的证据，并使用这些信息来重新加权他们的分数。我们分析表明，加权方案可以显着提高整体精度的选择。最后，我们实现了几个实例的重新加权方法，并经验表明，我们的方法是强大的噪声评估。
2021-07-21 cs.AI cs.GT cs.MA
Peer Neighborhood Mechanisms: A Framework for Mechanism Generalization
针对现有同伴预测激励机制难适配任意分布的问题，提出基于邻域匹配的Peer Neighborhood Mechanisms框架，给出信念更新条件以保证激励相容性，拓展了众包激励机制的适用范围。
2023-12-19 cs.GT
Putting Peer Prediction Under the Micro(economic)scope and Making Truth-telling Focal
同伴预测是一种（Meta）机制，它给出任何适当的评分规则，产生一种机制，从自私的代理人那里引出私人持有的，不可验证的信息。从形式上讲，讲真话是该机制的严格纳什均衡。不幸的是，也可能存在其他均衡（包括无信息均衡，即所有参与者都简单地报告相同的固定信号，而不管他们的真实信号如何），并且通常情况下，说出真相的均衡没有最高的预期收益。本文的主要结果是表明，在对称的二元设置，通过调整同行预测，部分通过仔细选择适当的评分规则，它是基于，我们可以使讲真话的均衡焦点-也就是说，讲真话有更高的预期收益比任何其他均衡。在此过程中，我们证明了以下几点：在代理接收二进制信号的设置中，我们1）对同行预测机制的所有均衡进行分类; 2）引入一种新的技术工具来理解评分规则，这使我们能够使讲真话比任何其他信息均衡更好; 3）利用这种工具提供先前结果的最佳版本;也就是说，我们优化了说实话和其他信息均衡的预期收益之间的差距; 4）表明，通过对同伴预测框架的轻微修改，我们可以，在一般情况下，使说实话均衡焦点-也就是说，说实话支付比任何其他均衡（包括非信息均衡）。
2016-03-23 cs.GT
Reimagining Peer Review Process Through Multi-Agent Mechanism Design
University of Arkansas at Little Rock（亚拉荷马州立大学拉弗克分校）
本文提出通过多智能体机制设计解决同行评审失效问题，提出信用经济、优化分配和混合验证等干预措施，旨在实现可持续的同行评审系统。
2026-01-27 cs.AI cs.CY cs.GT
Truthful Data Acquisition via Peer Prediction
我们考虑为机器学习或统计估计购买数据的问题。数据分析师有预算从多个数据提供商购买数据集。她没有任何测试数据可用于评估所收集的数据，并且可以仅基于所收集的数据集向数据提供者分配付款。我们在标准贝叶斯范式和两种情况下考虑这个问题：（1）数据只收集一次;（2）数据被重复收集，每天的数据都独立于同一分布。对于这两种设置，我们的机制保证，如实报告自己的数据集始终是一个均衡，采用技术从同行预测：支付每个供应商之间的互信息，他报告的数据和其他供应商的报告数据。根据数据分布情况，这些机制还可以阻止可能导致预测不准确的误报。我们的机制还保证了第一种设置中某些基本分布和第二种设置中所有分布的个人合理性和预算可行性。
2020-10-29 cs.GT
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
Sequential Peer Prediction: Learning to Elicit Effort using Posted Prices
同行预测机制经常被用来在没有地面事实验证的情况下从人群工作者那里获得真实的贡献。最近，这种类型的机制已经发展到激励努力，除了真实的启发。在本文中，我们研究了一个顺序的同行预测问题，数据请求者希望动态地确定奖励水平，以优化工人的信息质量和总的预期支付之间的权衡。在这个问题中，工人有同质的专业知识和异构的成本，为施加努力，都是未知的请求者。我们提出了一个连续的标价机制，动态学习工人的贡献，并激励努力工作和真实的报告的最佳奖励水平。我们发现：（1）在我们的机制中，工作者根据非退化阈值策略付出努力，然后如实报告，这是一个均衡，每个工作者都能获得最高的效用;（2）我们的学习机制w.r.t.提供最优报酬（价格）的上限为$\tilde{O}(T^{3/4})$，其中$T$是学习范围。我们进一步展示了我们的学习方法的力量时，工人的报告不一定遵循博弈论的均衡。
2016-12-02 cs.GT
Learning and Strongly Truthful Multi-Task Peer Prediction: A Variational Approach
University of Michigan（密歇根大学）；Harvard University（哈佛大学）
同伴预测机制通过将代理的报告与他们的同伴的报告进行比较，激励代理即使在没有验证的情况下也如实地报告他们的信号。在无细节的多任务环境中，智能体对多个独立同分布的任务进行响应，并且该机制不知道智能体信号的先验分布。我们的目标是提供一个$ε$ -强真实的机制，诚实的奖励代理“严格”比任何其他策略配置文件（与$ε$添加剂错误），并这样做，而需要尽可能少的任务。我们设计了一个家庭的机制与评分功能，将一对报告的分数。如果评分函数是“先验理想”，则该机制是强真实的，并且只要评分函数足够接近理想的，则$ε$ -强真实。这将上述机制设计问题简化为学习问题--具体地说，学习理想的评分函数。我们利用这种减少来获得以下三个结果。1)我们将展示如何获得良好的界限所需的不同类型的先验任务的数量。我们的减少适用于无数的连续信号空间设置。这是第一个针对多任务设置设计的连续信号的对等预测机制。2)我们将展示如何将一个代理的信号（给定其他代理的信号）的软预测器转换为一种机制。这允许实际使用机器学习算法，即使在许多代理提供噪声信息时也能给出良好的结果。3)对于有限信号空间，我们得到了任意随机相关先验的$ε$ -强真实机制，它是最大可能先验。相比之下，先前的工作只实现了较弱的真实性概念（知情真实性）或需要对先前的假设更强。
2020-09-30 cs.GT cs.LG
Joint-task truthfulness of the DMI mechanism
University of Colorado Boulder（科罗拉多大学博尔德分校）
研究DMI机制在联合任务策略下的真实性，证明当其他代理使用一致策略时，真实报告仍是贝叶斯-纳什均衡，但无限制时主导真实性和知情真实性均失效。
2026-06-19 cs.GT
A Truth Serum for Sharing Rewards
我们研究一个问题，一组代理人必须决定如何联合奖励应该在他们之间共享。我们关注的是每个代理收到的份额取决于其同行对其代理对群体贡献的主观意见的设置。为此，我们引入了一种机制，以引起和汇总主观意见，以及确定代理人的股份。所提出的机制背后的直觉是，每个相信其他人说实话的代理人都有其预期份额最大化的程度，它被同行很好地评估，并且如实地报告其意见。在代理人是贝叶斯决策者和底层人口足够大的假设下，我们证明了我们的机制是激励兼容的，不平衡的，和易处理的。我们还提出了策略，使这一机制的合理性和公平性。
2013-05-22 cs.GT
Peer-Aware Cost Estimation in Nonlinear General-Sum Dynamic Games for Mutual Learning and Intent Inference
Arizona State University（亚利桑那州立大学）
本文提出N-PACE算法，通过显式建模同伴学习动态实现无偏成本估计，提升多智能体相互学习与意图推断的性能。
2025-12-20 cs.AI cs.GT cs.RO
Peer Selection with Friends and Enemies
针对规划者需基于未观察二元特征选智能体的问题，结合智能体间朋友、敌人、中立关系，推导了高效DSIC机制存在条件，比较了次优机制效率，并给出结构平衡网络下的特征化结果。
2025-11-14 cs.GT econ.TH
Peer Oversight in Collective Decision Making
University of Southampton（南安普顿大学）；School of Electronics and Computer Science（电子与计算机科学学院）
本文提出同行$k$-监督属性，证明其可通过$k$个代理人实现，给出多项式时间算法判断并构造控制权重新分配，确立其为多代理人决策系统的易处理设计原则。
2026-09-01 cs.AI cs.GT cs.MA
The Limits of Multi-task Peer Prediction
多任务对等预测的最新进展极大地扩展了我们对多任务对等预测机制的了解。在不同的背景下提出了各种机制，以获取不同类型的信息。但是，我们仍然缺乏了解，当理想的机制将存在一个多任务的同伴预测问题。在这项工作中，我们研究了多任务的同伴预测问题的可启发性。我们考虑一个设计师，他对底层信息结构有一定的了解，并希望从一组参与者中获得某些信息。我们的目标是推断的可能性，有一个理想的机制的基础上的原语的问题。我们的贡献是双重的。首先，我们提供了一个特征的引出多任务同行预测问题，假设设计师只使用评分机制。评分机制是分别奖励参与者对不同任务的报告的机制。表征使用基于单任务设置中功率图表征的几何方法（[Lambert和Shoham，2009，Frongillo和Witkowski，2017]）。对于一般的机制，我们也给出了一个必要条件的多任务问题是elicitable。其次，我们考虑的情况下，设计师的目的是引起一些属性是线性的参与者的后世界的状态。我们首先表明，在某些情况下，设计师基本上只能引起后方本身。然后，我们研究的情况下，设计师的目的是引起参与者的后验。我们给出了后验可导出的一个必要条件。这个条件意味着，Kong和Schoenebeck提出的机制已经是我们在它们的环境中所能期望的最好的，从这个意义上说，它们的机制可以解决任何可能引发的问题实例。
2021-06-06 cs.GT econ.TH
Stochastically Dominant Peer Prediction
DIMACS, Rutgers University（罗格斯大学DIMACS研究中心）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
本文提出随机占优真实性机制，以增强同伴预测机制的诚实性，通过二元彩票评分和新机制在保持敏感度的同时提高效率。
2026-03-20 cs.AI cs.GT
Agent-Based Modelling of Ethereum Consensus
本文使用基于智能体的时间连续仿真模型，分析了以太坊Merge升级后PoS共识协议中区块树演化与网络延迟对共识质量的影响，发现系统存在共识与非共识状态间的相变现象。
2023-05-23 cs.CR cs.GT
Catch Me if I Can: Detecting Strategic Behaviour in Peer Assessment
School of Computer Science（计算机科学学院）；Carnegie Mellon University（卡内基梅隆大学）
我们认为，在各种同行评估任务，包括考试或作业的同行评分和同行评审在招聘或晋升的战略行为的问题。当同行评估任务具有竞争性时（例如，当学生在曲线上评分时），代理人可能会被激励误报评估，以提高他们自己的最终排名。我们的重点是设计检测这种操作的方法。具体来说，我们考虑一个设置中，代理评估他们的同行和输出排名，后来汇总，形成一个最终的排序的子集。在本文中，我们调查了这个问题的统计框架，并设计了一个原则性的测试检测战略行为。我们证明了我们的测试有很强的虚警保证，并评估其在实际环境中的检测能力。为此，我们设计并执行了一个实验，从受试者中提取战略行为，并发布了一个可能具有独立兴趣的战略行为模式数据集。然后，我们使用收集的数据进行一系列真实和半合成的评估，证明了我们的测试的强大检测能力。
2020-10-08 cs.GT cs.LG cs.MA
Auctions and Peer Prediction for Academic Peer Review
University of Washington（华盛顿大学）
本研究采用机制设计方法，通过VCG拍卖分配评审名额并利用H-DIPP同伴预测机制激励审稿人，同时提升学术评审中的提交质量和评审质量。
2023-05-10 cs.GT cs.LG econ.GN
Mutual Evaluation and Supervision without Peers
Stanford University（斯坦福大学）
本文提出一种无需同侪的相互评估与监督机制，通过批评者规则和条件独立复制实现真实报告激励，产生无偏信息分数，并分析策略性影响。
2026-09-18 cs.GT cs.IT math.IT
Avoiding Imposters and Delinquents: Adversarial Crowdsourcing and Peer Prediction
Stanford University（斯坦福大学）
我们考虑一个众包模型，其中$n$工人被要求评价质量的$n$项目以前产生的其他工人。一组未知的$αn$工作者生成可靠的评级，而其余的工作者可能会表现得任意，甚至可能是敌对的。实验的管理者还可以手动评估少量项目的质量，并希望将几乎所有高质量项目与最多$ε$部分低质量项目一起策划。也许令人惊讶的是，我们表明，这是可能的，需要管理人员和每个工人的工作量，不与$n$的规模：数据集可以与每个工人的$\tilde{O}\Big(\frac{1}{βα^3ε^4}\Big)$评级，和经理的$\tilde{O}\Big(\frac{1}{βε^2}\Big)$评级，其中$β$是高质量项目的分数。我们的研究结果扩展到更一般的设置同行预测，包括同行评分在线教室。
2016-06-16 cs.CR cs.DS cs.GT
Truthfulness Despite Weak Supervision: Evaluating and Training LLMs Using Peer Prediction
Center for Human-Compatible Artificial Intelligence（兼容人类的人工智能中心）；University of California, Berkeley（加州大学伯克利分校）
通过同伴预测方法，利用弱监督提升大语言模型的真实性，有效对抗欺骗并增强评估可靠性。
2026-01-28 cs.AI cs.CL cs.GT
