[论文解读] Iterative Judgment Aggregation

Marija Slavkovik, Wojciech Jamroga|arXiv (Cornell University)|Apr 21, 2016

Multi-Criteria Decision Making被引用 4

一句话总结

本文提出了一种迭代式判断聚合算法，将共识构建建模为代理在理性判断图上移动以最小化与他人的距离。该文证明了在特定图类型下（尤其是完全图以及汉明图和模型议程图的某些子图）可实现收敛，尤其在奇数代理数量时，提供了一种计算高效、无平局的替代标准判断聚合方法。

ABSTRACT

Judgment aggregation problems form a class of collective decision-making problems represented in an abstract way, subsuming some well known problems such as voting. A collective decision can be reached in many ways, but a direct one-step aggregation of individual decisions is arguably most studied. Another way to reach collective decisions is by iterative consensus building -- allowing each decision-maker to change their individual decision in response to the choices of the other agents until a consensus is reached. Iterative consensus building has so far only been studied for voting problems. Here we propose an iterative judgment aggregation algorithm, based on movements in an undirected graph, and we study for which instances it terminates with a consensus. We also compare the computational complexity of our iterative procedure with that of related judgment aggregation operators.

研究动机与目标

• 解决判断聚合中缺乏迭代共识构建程序的问题，尽管投票中已有此类应用。
• 开发一种去中心化的、迭代的算法，通过代理在理性判断图上的移动实现集体判断。
• 分析该迭代过程的收敛条件与计算复杂度，相较于标准判断聚合算子。
• 探讨所达成共识的质量与基于距离的聚合规则（如中位数规则）的相对关系。
• 研究议程图的结构特性，以确保或阻止共识收敛。

提出的方法

• 将给定议程的所有理性判断表示为无向图的顶点，边基于逻辑关系或汉明距离关系建立。
• 定义三种图类型：完全图（所有判断相互连接）、汉明图（在仅一个议题上不同的判断之间建立边）、模型议程图（基于逻辑一致性约束）。
• 实施一种迭代算法，每个代理若能通过移动到相邻顶点减少其到其他所有代理当前判断的路径距离，则执行移动。
• 确保代理仅沿通往其他代理的最短路径移动，以去中心化方式建模理性信念修正。
• 使用图论概念（如凸包和顶点度数）分析收敛条件。
• 将该过程形式化为判断配置的变换函数，通过放松独立性与全域性公理，避免了不可能性结果。

实验结果

研究问题

• RQ1 在何种条件下，该迭代判断聚合算法会收敛至共识？
• RQ2 议程图的拓扑结构（如完全图、汉明图、模型图）如何影响该迭代过程的收敛性？
• RQ3 对于哪些初始判断配置类别，当代理数量为奇数时，该算法能保证达成共识？
• RQ4 该迭代算法的计算复杂度与标准判断聚合算子相比如何？
• RQ5 该迭代算法所达成的共识与基于距离的聚合规则（如中位数规则）的输出结果有多接近？

主要发现

• 在完全图 $G_{\bar{A},\bar{\underline{}}}}^c$ 上，当代理数量为奇数时，该算法始终能收敛至共识，尽管仅从初始判断中选择。
• 对于汉明图 $G_{\bar{A}}^h$ 和模型议程图 $G_{\bar{A},\bar{\underline{}}}}^m$，若初始配置的凸包诱导出的子图中所有顶点的度数不超过2，则该算法能收敛至共识。
• 当诱导子图为 $k$-环且 $k = 2 \cdot mx_d(P^0) + 1$ 时，该算法对奇数代理数量（大于3）具有概率性收敛至共识。
• 该迭代过程避免了平局，并在计算上具有潜在优势，尤其避免了难以解决的胜者确定问题。
• 该算法的变换函数通过在 $G_{\bar{A}}^h$ 上违反独立性、在 $G_{\bar{A},\bar{\underline{}}}}^m$ 上违反全域性，避开了 List 的不可能性结果，原因在于存在非理性的中间判断。
• 所达成的共识通常与 $d_h$-距离下的中位数判断非常接近，表明其与广泛使用的聚合规则高度一致。