BriefGPT - AI 论文速递
·
权力集合
💡
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文研究了单记名再分配投票法的可操纵性，分析了不同投票规则的计算复杂度及其对操纵的影响。研究表明，单个代理在多种情况下能够轻松操纵选举，并提出了新的权力指数和算法，探讨了偏好配置的解释性不足问题，为集体决策提供了新的视角。
🎯
关键要点
-
本文研究了单记名再分配投票法的可操纵性，发现单个代理在多种情况下能够轻松操纵选举。
-
分析了三种修改投票规则的方法及其计算复杂度，包括计分规则、淘汰制规则和基于竞赛图的规则。
-
探讨了在不完整信息情况下的联合操纵问题，提出了三种操纵计算概念，强调其计算上的复杂性。
-
开发了一种新框架，增强了计算社会选择与数据库管理之间的联系，支持复杂查询。
-
介绍了新的权力指数，用于衡量选民在不同选举中的关键性，并展示了其计算方法和理论属性。
-
研究了偏好配置的解释性不足问题，提出了演绎和对比解释技术，探讨了投票规则解释的复杂性。
-
探讨了投票规则在偏好剖面中的分类器角色，揭示了偏好剖面的属性与最小诱导性解释大小之间的关系。
❓
延伸问答
单记名再分配投票法的可操纵性如何？
研究表明，单个代理在多种情况下能够轻松操纵选举。
有哪些修改投票规则的方法？
本文分析了修改计分规则、淘汰制规则和基于竞赛图的规则三种方法。
在不完整信息情况下，联合操纵问题的计算复杂性如何？
联合操纵问题在很多情况下都是计算上难以处理的，即使信息缺失很少。
新权力指数的计算方法是什么？
新权力指数可以在伪多项式时间内计算，并展示了递归公式。
偏好配置的解释性不足问题如何解决？
提出应用演绎和对比解释技术来识别影响选举结果的偏好集的最小子集。
投票规则在偏好剖面中的角色是什么？
投票规则在偏好剖面中作为分类器，揭示了偏好剖面的属性与最小诱导性解释大小之间的关系。
➡️
