EVENT DOSSIER
基于 Kearns、Roth 和 Ryu (SODA'26) 的开创性工作，最新研究针对模拟代理 AI 模式的网络学习模型进行了信息聚合问题的分析。该模型设定每个代理仅观测部分数据并传递结论，采用均方误差损失函数。研究修正了原有收敛界限：当网络深度小于 M²时，超额均方误差的正确收敛率为常数；当深度大于等于 M²时，正确收敛率为 Θ(M²/D)。同时，研究将循环实例的下界改进至 Ω(√M/D)，并证明在任意固定分布下，超额误差沿路径呈几何收缩，从而排除了单一实例对所有深度存在多项式下界的可能性。此外，该最优收敛率结论已被推广至 Bateni 等人提出的对数传递模型中的逻辑回归场景。
本研究在 Kearns、Roth 和 Ryu (SODA'26) 开创性工作的基础上，针对网络学习模型中的信息聚合问题进行了分析。该模型模拟代理 AI 中每个代理仅观察部分数据并传递自身结论的模式，采用均方误差损失函数，考察深度为 $D$…
本文基于 Kearns、Roth 和 Ryu (SODA'26) 的开创性工作，研究了网络学习模型中的信息聚合问题。该模型模拟代理 AI 模式：每个代理仅观测部分数据并传递自身结论，在 DAG 结构中进行线性回归（MSE 损失），仅传递预…
本研究在 Kearns、Roth 和 Ryu (SODA'26) 开创性工作的基础上，针对网络学习模型中的信息聚合问题进行了分析。该模型模拟代理 AI 中每个代理仅观察部分数据并传递自身结论的模式，采用均方误差损失函数，考察深度为 $D$ 且每 $M$ 个连续代理共同观测全部特征的覆盖路径。研究修正了原有界限：当深度小于 $M^2$ 时，超额均方误差的正确收敛率为常数；当深度大于等于 $M^2$ 时，正确收敛率为 $\Theta(M^2/D)$。作者通过改进循环实例的下界至 $\Omega(\sqrt{M/D})$ 并构造特定路径证明了上述结论。此外，研究还证明在任意固定分布下超额误差沿路径呈几何收缩，排除了单一实例对所有深度均存在多项式下界的可能性，并将相同的最优收敛率推广至 Bateni 等人提出的对数传…
本文基于 Kearns、Roth 和 Ryu (SODA'26) 的开创性工作，研究了网络学习模型中的信息聚合问题。该模型模拟代理 AI 模式：每个代理仅观测部分数据并传递自身结论，在 DAG 结构中进行线性回归（MSE 损失），仅传递预测值。研究证明，在深度为 $D$ 且每 $M$ 个连续代理共同观测全部特征的路径上，最后代理的超额均方误差最优速率为 $O(M/\sqrt D)$；同时给出了循环实例，其超额误差下界为 $\Omega(M/D)$（当 $D < M^2$ 时）。此外，研究还证明了对于任意固定分布，超额误差沿路径呈几何收缩，排除了任何在每一深度见证多项式下界的单一实例的可能性。最后，该最优速率同样适用于 Bateni 等人提出的对数传递模型中的逻辑回归（BCE 损失），且改进上界为 $O(M^2…