Multi-Agent Inference in Social Networks: A Finite Population Learning Approach
社会网络中的多主体推断：有限总体学习方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究社会网络中的信息交换、主体互动及网络总体学习。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
社会网络中的多主体推断：有限总体学习方法
- 研究问题
- 在信息交换有成本且主体存在利益冲突与协调问题的社会网络中，多大比例的人能够以高概率作出良好推断？
- 方法与思路
- 作者将多主体贝叶斯推断嵌入博弈论社会网络模型，提出有限总体学习概念，研究信息获取激励与总体推断质量。
- 材料陈述的贡献
- 摘要提出评价给定有限网络中多数主体推断质量的概念，并以此作为分析人口增长时总体推断长期趋势的基础。
- 阅读关注点
- 应核对信息交换成本、主体决策与均衡设定，以及良好推断、成功比例和高概率要求在学习定义中的含义。
- 阅读边界
- 仅据版本未注明的 Europe PMC/PubMed 索引摘要；摘要未给出学习成立条件、均衡细节或长期趋势的具体结果。
原文摘要
When people in a society want to make inference about some parameter, each person may want to use data collected by other people. Information (data) exchange in social networks is usually costly, so to make reliable statistical decisions, people need to trade off the benefits and costs of information acquisition. Conflicts of interests and coordination problems will arise in the process. Classical statistics does not consider people's incentives and interactions in the data collection process. To address this imperfection, this work explores multi-agent Bayesian inference problems with a game theoretic social network model. Motivated by our interest in aggregate inference at the societal level, we propose a new concept, finite population learning, to address whether with high probability, a large fraction of people in a given finite population network can make "good" inference. Serving as a foundation, this concept enables us to study the long run trend of aggregate inference quality as population grows.