arXiv cs.AI· Kerrian Le Caillec, Anna Van Elst, Igor Colin, Stephan Cl\'emen\c{c}on·· 10 小时前AI 评分18
基于 Gossip 的去中心化排名聚合：收敛性与鲁棒性
Decentralized Ranking Aggregation via Gossip: Convergence and Robustness
AI 导读
研究提出用随机 Gossip 通信在去中心化网络中实现集体排名共识，各智能体仅靠局部交互即可计算全局排名，无需中心协调或权威节点。该方法重点应对损坏节点带来的鲁棒性问题，并通过降低通信开销提升可扩展性。
正文 · AI 翻译
摘要：排序聚合的概念在偏好分析中起着核心作用，文献中记录了大量用于计算中位排序的算法，这些算法往往源于社会选择理论，并在集中式环境下提供理论保证，即当所有待聚合的排序数据能够汇集到单个计算单元中时。对于许多技术（例如点对点网络、物联网、多智能体系统）而言，在偏好数据最初分布在一个通信网络中时，将计算共识排序的能力扩展到去中心化环境，并保证收敛性和对潜在污染的鲁棒性，仍然是一个重大的方法论挑战。事实上，近年来关于去中心化计算的文献主要集中于使用 gossip 算法计算或优化诸如算术平均值之类的统计量。本文的目的正是研究如何在去中心化环境中就集体排序达成可靠且具有鲁棒性的共识，从而提出新的问题，包括对受损节点的鲁棒性，以及特别是通过降低通信成本实现的可扩展性。本文提出并分析的方法依赖于随机 gossip 通信所提供的鲁棒性保证，这使得自主智能体仅通过局部交互即可计算全局排序共识，而无需协调或中央权威。
| 评论： | 33 页 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2602.22847 [cs.LG] |
| （或 arXiv:2602.22847v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.22847 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kerrian Le Caillec [查看电子邮件]
[v1]
2026 年 2 月 26 日星期四 10:37:23 UTC（331 KB）
[v2]
2026 年 5 月 13 日星期三 14:53:10 UTC（680 KB）
[v3]
2026 年 11 月 9 日星期一 20:39:47 UTC（700 KB）
来源：arXiv cs.AI · arxiv.org