网格推理：无中心集体推理的形式模型

我们提出了一个网格推理的正式模型：一群独立的智能体，每个人都持有私有状态并只交换承认的、类型化的观察结果，如何得出他们中没有一个人单独持有的结论，没有中央协调员，也没有智能体暴露。没有代理共享权重、梯度或隐藏状态，并且代理可能跨越不同的团队、网络和组织。由于询问模型是能量最小化推理这一观察结果，我们将网格建模为每个智能体局部松弛的耦合自由能。我们表明，单一的准入/排放政策管理着三个属性。首先，网格推理对于任何承认（对称与否）都会收敛到唯一的答案，因为耦合始终是 M 矩阵。其次，它是识别完备的：当贡献的视图与运营商连接时，它准确地导出集中最优值。第三，它是仅观察性的：没有节点传输其内部信息，保密性是身份的双重性。内容寻址血统是唯一的全球侧渠道。在线性高斯体系中，每个导出的答案都是确定的，因此等于 O(diam^2) 延迟时的集中最优值，即移除中心的测量价格。其中一个推导是无中心学习循环的一轮，我们将其形式化为架构而不是证明。我们提出的开放问题是当询问改进集体而不是破坏集体时：非线性闭包是否得出升级的答案或置信错误。据我们所知，这是无中心、仅观察网格何时恢复集中最优的第一个正式表征。