Errors are robustly tamed in cumulative knowledge processes

doi:10.1073/pnas.2416866122

2025-01-30

Anna Brandenberger

Cassandra Marcussen

Elchanan Mossel *

DOI：10.1073/pnas.2416866122

原文链接

原文求助

摘要

En 中文

随着科学和社会知识的积累呈分布式方式，错误推导可能被引入知识库中。此类推导可能会损害未来依赖它们的任何知识单元的有效性。在简单的分布式错误检查机制下，社会知识能否保持一定程度的完整性？本文探讨了该问题的以下表述：假设新推导中有固定比例是错误的，当新知识单元被推导时，应用简单的错误检查机制是否有可能保持知识库的完整性？这个问题由Ben-Eliezer等人提出[Is this correct? Let's check! in 14th Innovations in Theoretical Computer Science Conference (ITCS, 2023)]，他们在知识积累的特定概率模型中给出了一个肯定的稳健答案。具体而言，该模型要求新单元仅依赖于一个现有单元，并根据优先连接规则加入过程。在本工作中，我们考虑了知识积累过程更一般的族，其中新单元可能依赖于多个现有单元，并根据不同的连接机制加入。我们还考虑了具有（随机）恶意节点插入比例的模型。我们通过证明，对于所有这些模型，只要许多单元遵循用于检查它们所依赖的有限数量单元的简单局部启发式方法，所有错误最终都将被消除，从而对上述问题给出了一个肯定的稳健答案。

Keyword:

knowledge accumulation

error elimination

local algorithms

probabilistic models