- Titel
- Multi-Agent Belief Management
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-1060645
- Erstveröffentlichung
- 2026
- Datum der Einreichung
- 07.05.2026
- Datum der Verteidigung
- 02.07.2026
- Abstract (DE)
- Die Dissertation untersucht die zuverlässige Aggregation von Informationen und probabilistischen Überzeugungen in Multi-Agenten-Systemen. Im ersten Teil werden Verallgemeinerungen des Condorcet-Jury-Theorems entwickelt, die heterogene Kompetenz, mehrere Alternativen, Approval Voting und Abhängigkeiten zwischen Agenten berücksichtigen. Daraus werden konkrete Schranken für die notwendige Gruppengröße sowie ein formaler Schwellenwert dafür abgeleitet, wann eine diverse Gruppe von Agenten eine kompetentere epistemisch übertrifft . Im zweiten Teil wird die Aggregation unpräziser, intervallwertiger Wahrscheinlichkeitsurteile behandelt. Mit Voting for Bins wird ein neues, auf epistemischem Wählen beruhendes Verfahren eingeführt und theoretisch sowie anhand von Simulationen untersucht. Weitere Beiträge betreffen die Aggregation numerischer Schätzungen, den kontrollierten Umgang mit Dilatation und Kontraktion sowie die Bestimmung geeigneter Gewichte für lineares Opinion Pooling. Die Arbeit verbindet damit epistemisches Wählen und unpräzise Wahrscheinlichkeiten zu robusten Verfahren für kollektive Urteilsbildung.
- Abstract (EN)
- This dissertation investigates the reliable aggregation of information and probabilistic beliefs in multi-agent systems. The first part develops generalizations of the Condorcet Jury Theorem that account for heterogeneous competence, multiple alternatives, approval voting, and dependencies among agents. From these results, concrete bounds on the required group size are derived, together with a formal threshold specifying when a diverse group of agents epistemically outperforms a more competent one. The second part addresses the aggregation of imprecise, interval-valued probabilistic judgments. Voting for Bins is introduced as a novel method based on epistemic voting and is examined both theoretically and through simulations. Further contributions concern the aggregation of numerical estimates, the controlled treatment of dilation and contraction, and the determination of suitable weights for linear opinion pooling. The dissertation thereby combines epistemic voting and imprecise probabilities to develop robust methods for collective judgment formation.
- Freie Schlagwörter (DE)
- Multiagentensysteme, Epistemisches Abstimmungsverfahren, Condorcet-Jury-Theorem, ungenaue Wahrscheinlichkeiten, kollektive Intelligenz
- Freie Schlagwörter (EN)
- Epistemic Voting, Condorcet-Jury-Theorem, Imprecise Probabilities, Collective Intelligence
- Klassifikation (DDC)
- 004
- Klassifikation (RVK)
- ST 301
- SK 840
- GutachterIn
- Prof. Dr. Sebastian Rudolph
- Prof. Dr. Markus Krötzsch
- Madalina Croitor
- BetreuerIn Hochschule / Universität
- Prof. Dr. Sebastian Rudolph
- Den akademischen Grad verleihende / prüfende Institution
- Technische Universität Dresden, Dresden
- Förder- / Projektangaben
- Bundesministerium für Forschung, Technologie und Raumfahrt DAAD Konrad Zuse Schools of Excellence in Artificial Intelligence
School of Embedded Composite AI
(SECAI)
ID: School of Embedded Composite AI - Bundesministerium für Bildung und Forschung Center for Scalable Data Analytics and Artificial Intelligence Dresden/Leipzig
(ScaDS.AI)
ID: SCADS22B - Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-1060645
- Veröffentlichungsdatum Qucosa
- 12.08.2026
- Dokumenttyp
- Dissertation
- Sprache des Dokumentes
- Englisch
- Lizenz / Rechtehinweis
CC BY 4.0- Inhaltsverzeichnis
Introduction Part I: Epistemic Voting 2. Introduction: Epistemic Voting 3. Preliminaries: Epistemic Voting 4. Heterogeneous Approval Voting 5. Heterogeneous and Correlated Approval Voting 6. When Diversity Trumps Ability Part II: Imprecise Opinion Pooling 7. Introduction: Imprecise Opinion Pooling 8. Preliminaries: Imprecise Opinion Pooling 9. Supervaluationism and Imprecise Probabilities 10. Voting for Bins 11. Taming Dilation in Imprecise Pooling 12. Elicit and Weigh: A Voting-Based Approach to Optimal Weights in Imprecise Linear Pooling 13. Conclusion Bibliography