內容簡介

本書介紹了不同的場景及假設，包括感知、人工計算、同行評級、評審以及預測。書中綜述了不同的激勵機制，包括適當的打分規則、市場預測和同行預測，貝葉斯測真機，同行測真機，相關協議以及使它們適用的一些設置。作為替代方案，也考慮了信譽機制。同時補充了博弈論分析在預測平臺、群智傳感、同行評級中的應用實例。

本書適合數據科學、機器學習、計算博弈論等領域的研究人員，以及相關專業的高校師生閱讀。

  目錄

原書前言

原書致謝

*1章 緒論

 1.1 動機

 1.1.1 商品點評

 1.1.2 民意調查

 1.1.3 群智傳感

 1.1.4 眾包任務

 1.2 質量控制

 1.3 設置

*2章 用於可驗證信息的機制

 2.1 獲取單個值

 2.2 導出分布:適當的評分規則

第3章 不可驗證信息的參數機制

 3.1 客觀信息的同行一致性

 3.1.1 輸出一致性

 3.1.2 博弈論的分析

 3.2 主觀信息的同行一致性

 3.2.1 同行預測方法

 3.2.2 通過自動機制設計，提高同行預測能力

 3.2.3 同行預測機制的幾何特征

 3.3 共同的先驗機制 

 3.3.1 陰影機制

 3.3.2 同行測真機

 3.4 應用

 3.4.1 自我監控的同行預測

 3.4.2 同行測真機應用於群智傳感

 3.4.3  Swissnoise中的同行測真機

 3.4.4 人工計算

第4章 非參數機制:多份報告

 4.1 貝葉斯測真機 

 4.2 魯棒的貝葉斯測真機 

 4.3 基於差異的BTS 

 4.4 兩個階段的機制 

 4.5 應用

第5章 非參數機制:多任務

 5.1 相關協議

 5.2 面向眾包的同行測真機（PTSC） 

 5.3 對數同行測真機（LPTS）

 5.4 其他機制

 5.5 應用

 5.5.1 同行評分:課程測驗 

 5.5.2 群智傳感

第6章 預測市場:結合啟發和聚合

第7章 受影響力激勵的智能體

 7.1 影響限制器:真實數據的使用 

 7.2 當無法獲得真實數據時的戰略防御機制

第8章 分布式機器學習 

 8.1 管理信息智能體

 8.2 從激勵到回報 

 8.3 與機器學習算法的集成

 8.3.1 短期的影響

 8.3.2 貝葉斯聚集成直方圖 

 8.3.3 模型插值 

 8.3.4 學習分類器

 8.3.5 隱私保護 

 8.3.6 對智能體行為的限制

第9章 總結

 9.1 對質量激勵

 9.2 分類同行一致性機制 

 9.3 信息聚合 

 9.4 未來的工作

參考文獻