arXiv cs.AI· Ahmed Mahrous, Roberto Di Pietro·· 12 小时前AI 评分31
多智能体表演性预测的反射性阈值：NeurIPS 2026 论文提出谱阈值相变
The Reflexivity Threshold: A Phase Transition for Multi-Agent Performative Prediction
AI 导读
研究多智能体表演性预测中的重复重训练，提出反射性矩阵 Γ，其谱半径越过 1 即为稳定学习与最坏情况学习受阻之间的阈值。阈值以下重复重训练几何收敛到唯一表演性稳定均衡，累积超额损失在时间跨度上一致有界；阈值以上构造的噪声超临界实例中，每个局部信息学习者的期望累积超额损失线性增长，跨度可达 1/(ρ(Γ)-1) 量级。该结果以上下界刻画阈值行为，并将此前单智能体标量阈值作为特例纳入。
正文 · AI 翻译
摘要：许多学习系统具有表演性：一旦部署，其预测就会改变未来模型训练所依据的数据分布。在多智能体环境中，这种反馈通过一个相互影响的学习者网络传递，因此稳定性不仅取决于表演性的强度，还取决于谁影响谁。我们研究了多智能体表演性预测中的重复再训练，并识别出一个谱阈值，它将稳定学习与最坏情况下的学习障碍区分开来。先前的工作通常将跨智能体反馈简化为一个标量收缩常数，忽略了这种网络结构。我们转而引入反射矩阵 $\Gamma$，它记录了一个智能体的部署能在多大程度上改变另一个智能体的最佳响应，由每个智能体的梯度敏感性和曲率参数定义。当该矩阵的谱半径越过 1 时，阈值便出现。低于阈值时，重复再训练几何收敛到唯一的表演性稳定均衡，且累积超额损失在时间范围上一致有界。高于阈值时，我们构造了带噪声的超临界实例，其中每个局部信息学习者在时间范围达到 $1/(\rho(\Gamma)-1)$ 量级时，其期望累积超额损失呈线性增长。这些结果共同通过上界和下界刻画了阈值行为，并将先前工作中的单智能体标量阈值作为特例恢复出来。
| 评论： | 已被 NeurIPS 2026 接收。20 页，包括附录和检查清单。代码：此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29577 [cs.LG] |
| （或 arXiv:2610.29577v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29577 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ahmed Mahrous [查看电子邮件]
[v1]
2026 年 10 月 21 日星期三 11:20:29 UTC（84 KB）
来源：arXiv cs.AI · arxiv.org