Information Elicitation from Rowdy Crowds
Information Elicitation from Rowdy Crowds
复制标题
从喧闹的人群中获取信息
DOI：
10.1145/3442381.3449840
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Zhang, Yichi
中科院分区：
文献类型：
--
作者：
Schoenebeck, Grant;Yu, Fang-Yi;Zhang, Yichi
我们开始研究一个群体的信息激发机制，这个群体既包含对激励做出反应的自利主体，也包含可能串通破坏系统的对抗性主体。我们的机制在同伴预测设置中起作用，在这种设置中，基础真相不需要被机制访问，甚至不需要存在。我们提供了一种元机制，将同伴预测机制的设计简化为相关的鲁棒学习问题。由此产生的机制是ϵ-informed真实的，这意味着说真话是收入最高的ϵ-Bayesian纳什均衡（最高ϵ-error），并且比不提供信息的均衡付出更多。λ的值取决于鲁棒学习算法的特性，通常随着任务和代理数量的增加而限制为0。我们展示了如何在两个重要的众包设置中使用我们的元机制来设计具有可证明保证的机制，即使一些代理是自利的，而另一些代理是敌对的。
We initiate the study of information elicitation mechanisms for a crowd containing both self-interested agents, who respond to incentives, and adversarial agents, who may collude to disrupt the system. Our mechanisms work in the peer prediction setting where ground truth need not be accessible to the mechanism or even exist.We provide a meta-mechanism that reduces the design of peer prediction mechanisms to a related robust learning problem. The resulting mechanisms are ϵ-informed truthful, which means truth-telling is the highest paid ϵ-Bayesian Nash equilibrium (up to ϵ-error) and pays strictly more than uninformative equilibria. The value of ϵ depends on the properties of robust learning algorithm, and typically limits to 0 as the number of tasks and agents increase.We show how to use our meta-mechanism to design mechanisms with provable guarantees in two important crowdsourcing settings even when some agents are self-interested and others are adversarial.
登录
查看更多内容
您的任务如何众包
DOI：
--
发表时间：
2011
期刊：
影响因子：
--
作者：
Carsten Eickhoff;A. DeVries
通讯作者：
A. DeVries
DOI：
--
发表时间：
2019
期刊：
ACM-SIAM Symposium on Discrete Algorithms
影响因子：
--
作者：
Yuqing Kong
通讯作者：
Yuqing Kong
用于设计奖励说真话的信息获取机制的信息理论框架
DOI：
--
发表时间：
2016
期刊：
ACM Trans. Economics and Comput.
影响因子：
--
作者：
Yuqing Kong;G. Schoenebeck
通讯作者：
G. Schoenebeck
学习和高度真实的多任务同伴预测：一种变分方法
DOI：
--
发表时间：
2021
期刊：
12th Innovations in Theoretical Computer Science Conference (ITCS 2021
影响因子：
--
作者：
Schoenebeck, Grant;Yu, Fang-Yi
通讯作者：
Yu, Fang-Yi
从不受信任的批次中学习离散分布
DOI：
10.4230/lipics.itcs.2018.47
发表时间：
2017
期刊：
2017 IEEE International Conference on Computer Vision (ICCV)
影响因子：
--
作者：
Mingda Qiao;G. Valiant
通讯作者：
G. Valiant