📈 economics

Delta-Epsilon-Common Knowledge and Quantitative Agreement Theorems

Dieses Paper führt ein neuartiges Framework für $(\delta,\epsilon)$ -gemeinsames Wissen ein, das auf allgemeine Wahrscheinlichkeitsräume anwendbar ist, und liefert quantitative Erweiterungen von Aumanns Agreement-Theorem sowie verwandter Resultate auf Settings, die verrauschte Kommunikation und Zufallsvariablen beinhalten.

Ursprüngliche Autoren: Christina Pawlowitsch, Stefan Schrott, Daniel Toneian

Veröffentlicht 2026-06-11

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Christina Pawlowitsch, Stefan Schrott, Daniel Toneian

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie und ein Freund versuchen, den Ausgang eines mysteriösen Ereignisses zu erraten, wie zum Beispiel, ob es morgen regnen wird. Sie beide verfügen über Ihre eigenen privaten Informationen (vielleicht haben Sie den Himmel beobachtet, Ihr Freund hat eine App gecheckt). In der perfekten Welt der klassischen mathematischen Theorie gilt: Wenn Sie beide wissen, dass Sie beide die Antwort wissen, und Sie wissen, dass Sie wissen, dass der andere weiß, und so weiter bis ins Unendliche, sind Sie gezwungen, exakt dieselbe Zahl für Ihre Vorhersage zu wählen. Dies ist der berühmte „Agreement Theorem“ (Übereinstimmungssatz) von Robert Aumann.

Die reale Welt ist jedoch nicht perfekt. Wir verfügen nicht über ein unendliches Gedächtnis, unsere Kommunikation ist manchmal unpräzise und unser Wissen ist selten zu 100 % vollständig. Wir befinden uns oft in einem Zustand des „Fast-Wissens“.

Diese Arbeit, verfasst von Pawlowitsch, Schrott und Toneian, stellt eine einfache, aber tiefgreifende Frage: Was passiert mit dieser Übereinstimmungsregel, wenn wir uns nur „fast“ sicher sind?

Sie führen eine neue Art und Weise ein, dieses „Fast“ zu messen, indem sie zwei einfache Zahlen verwenden, vergleichbar mit einem Regler an einer Maschine: $\delta$ (Delta) und $\epsilon$ (Epsilon).

Die zwei Regler des „Fast“

Die Autoren entwerfen ein System, um zu messen, wie nah wir an perfektem Wissen sind, indem sie zwei Arten von „Unschärfe“ nutzen:

Der $\delta$ -Regler (Die „unscharfe Linse“): Dieser misst, wie nah Ihre privaten Informationen an vollkommener Klarheit sind. Stellen Sie sich vor, Sie betrachten eine Landkarte durch ein leicht beschlagenes Fenster. Wenn der Nebel sehr dünn ist ( $\delta$ ist klein), können Sie die Straße fast klar sehen. In mathematischen Begriffen bedeutet dies, dass Ihre Information „nahezu“ in Ihrem Wissen enthalten ist.
Der $\epsilon$ -Regler (Der „undichte Eimer“): Dieser misst, wie nah Ihre Schlussfolgerung an der vollkommenen Wahrheit ist. Stellen Sie sich vor, Sie versuchen, einen Eimer mit Wasser (der Wahrheit) zu füllen, aber der Eimer hat winzige Löcher. Wenn die Löcher winzig sind ( $\epsilon$ ist klein), haben Sie immer noch fast die richtige Menge Wasser. In mathematischen Begriffen bedeutet dies, dass Ihre Überzeugung „nahezu“ eine Teilmenge des tatsächlichen Ereignisses ist.

Die wichtigste Entdeckung: Sie stimmen trotzdem überein (größtenteils)

Die große Neuigkeit dieser Arbeit ist, dass Sie und Ihr Freund selbst dann nicht wild auseinanderdriften, wenn diese beiden Regler aufgedreht sind (das heißt, wenn Sie sowohl eine unscharfe Linse als auch einen undichten Eimer haben).

Wenn Sie beide wissen, dass Sie beide die Antwort fast kennen (unter Verwendung dieser $\delta$ - und $\epsilon$ -Definitionen), dann werden Ihre endgültigen Vermutungen sehr nah beieinander liegen. Die Arbeit liefert eine mathematische Formel, die besagt: „Die Differenz zwischen Ihrer Vermutung und meiner Vermutung kann nicht größer sein als eine spezifische Zahl, die aus berechnet wird, wie unscharf und undicht unsere Situation ist.“

Die Analogie: Stellen Sie sich zwei Personen vor, die versuchen, das Gewicht einer Wassermelone zu erraten. Die eine trägt eine Brille, die leicht verschmutzt ist ( $\delta$ ), und die andere benutzt eine Waage, die leicht falsch kalibriert ist ( $\epsilon$ ). Obwohl keiner von beiden eine perfekte Sicht oder eine perfekte Waage hat, werden sie – wenn beide wissen, dass der jeweils andere sich in diesem gleichen „leicht unvollkommenen“ Zustand befindet – sich dennoch auf Gewichte einigen, die sehr nah beieinander liegen. Sie werden nicht 5 Pfund und 50 Pfund raten; sie werden vielleicht 12 Pfund und 13 Pfund raten. Das „Rauschen“ begrenzt, wie weit sie auseinanderliegen können.

Von Ereignissen zu Zufallsvariablen (Das „bewegliche Ziel“)

Die Arbeit befasst sich auch mit einer schwierigeren Version des Problems. Anstatt nur „Ja/Nein“ zu raten (Wird es regnen?), was wäre, wenn Sie eine Zahl erraten müssen, die sich verändert, wie etwa die Temperatur oder der Aktienkurs?

Die Autoren erweitern ihre Ideen der „unscharfen Linse“ und des „undichten Eimers“ auf diese beweglichen Ziele. Sie zeigen, dass selbst wenn Sie versuchen, eine komplexe, sich ändernde Zahl zu erraten, Ihre Schätzungen dieser Zahl eng beieinander bleiben, sofern Ihr Wissen „fast“ geteilt ist. Sie verwenden dabei das Konzept der „bedingten Varianz“ (eine ausgefallene Art zu sagen: „wie sehr meine Schätzung schwanken könnte“), um diese Nähe zu messen.

Das Szenario des „verrauschten Telefons“

Die Arbeit endet mit einem praktischen Beispiel, das ein verrauschtes Telefonat beinhaltet. Stellen Sie sich vor, Sie und ein Freund telefonieren und versuchen, die Temperatur zu ermitteln. Jedes Mal, wenn Sie sprechen, fügt das Telefon Ihrer Stimme ein wenig statisches Rauschen hinzu.

Die alte Sichtweise: Wenn es irgendein Rauschen gibt, besagt die Mathematik, dass Sie möglicherweise niemals eine perfekte Übereinstimmung erreichen.
Die neue Sichtweise: Die Autoren zeigen, dass selbst mit diesem ständigen Rauschen Ihre Vermutungen schließlich zur Ruhe kommen und sehr nah beieinander liegen werden, solange das Rauschen nicht zu laut wird (die Varianz begrenzt ist). Sie benötigen keine perfekte, lautlose Leitung, um eine Einigung zu erzielen; Sie benötigen nur eine Leitung, auf der das Rauschen nicht zu schlimm ist.

Zusammenfassung

Vereinfacht ausgedrückt nimmt diese Arbeit eine starre, perfekte Welt-Regel („Wenn wir alles wissen, müssen wir übereinstimmen“) und macht sie weicher für die chaotische reale Welt. Sie beweist, dass unvollkommenes Wissen nicht zu völligem Chaos führt. Solange unsere Unvollkommenheiten gering sind und wir wissen, dass die andere Person in einer ähnlichen Weise ebenfalls unvollkommen ist, ist uns mathematisch garantiert, dass wir uns im selben Bereich bewegen. Wir werden vielleicht nicht beim exakten Dezimalpunkt übereinstimmen, aber wir werden uns definitiv über die allgemeine Vorstellung einig sein.

Technische Zusammenfassung: Delta-Epsilon-Gemeinsames Wissen und quantitative Übereinstimmungssätze

Problemstellung
Fünfzig Jahre nach Aumanns wegweisender Arbeit steht das Feld des gemeinsamen Wissens und der Übereinstimmungssätze vor zwei primären Einschränkungen in der praktischen Anwendung. Erstens beinhalten reale Szenarien oft „fast“ gemeinsames Wissen anstatt des strikten, binären gemeinsamen Wissens, wie es Aumann definierte. Zweitens wurden bestehende Verallgemeinerungen von Aumanns Übereinstimmungssatz – insbesondere jene, die von abzählbaren Wahrscheinlichkeitsräumen auf allgemeine (unzählbare) Räume und von Ereignissen auf Zufallsvariablen übergingen (wie von Nielsen geschehen) – nicht angemessen mit dem Konzept des approximativen Wissens kombiniert. Während die bisherige Literatur (z. B. Monderer und Samet, Geanakoplos, Morris) approximative Übereinstimmung über „gemeinsames $p$ -Glauben“ adressiert hat, sind diese Ergebnisse weitgehend auf abzählbare Wahrscheinlichkeitsräume beschränkt. Es besteht ein Bedarf an einem Rahmenwerk zur Quantifizierung des Abstands zum gemeinsamen Wissen, das auf allgemeine Wahrscheinlichkeitsräume und Zufallsvariablen anwendbar ist, insbesondere in Szenarien mit verrauschter Kommunikation.

Methodik
Die Autoren führen ein neuartiges Rahmenwerk zur Quantifizierung von approximativem gemeinsamem Wissen ein, das als $(\delta, \varepsilon)$ -gemeinsames Wissen bezeichnet wird und auf Ereignissen innerhalb allgemeiner Wahrscheinlichkeitsräume $(\Omega, \mathcal{F}, P)$ definiert ist. Die Methodik stützt sich auf zwei Relaxierungen elementarer mengentheoretischer und maßtheoretischer Begriffe:

$\delta$ -nahe Einbettung in eine $\sigma$ -Algebra: Ein Ereignis $B$ ist $\delta$ -nahe in einer $\sigma$ -Algebra $\mathcal{G}$ enthalten, wenn es ein $G \in \mathcal{G}$ gibt, so dass $P(B \triangle G) \leq P(B)\delta$ .
$\varepsilon$ -nahe Einbettung in ein Ereignis: Ein Ereignis $B$ ist $\varepsilon$ -nahe eine Teilmenge von $A$ , wenn $P(B \setminus A) \leq P(B)\varepsilon$ .

Das Papier definiert Wissen und gemeinsames Wissen „auf einem Ereignis $B$ “ anstatt an einem spezifischen Zustand $\omega$ . Dieser Ansatz ermöglicht den Umgang mit Nullmengen und kontinuierlichen Modellen, in denen exaktes Wissen über spezifische Posterior-Werte oft unmöglich ist. Die Autoren nutzen bedingte Varianzen, um die „Nähe“ des Wissens einer Zufallsvariablen zu quantifizieren, und erweitern damit die Arbeit von Nielsen. Zudem verwenden sie die Metrik $d(\mathcal{G}_1, \mathcal{G}_2)$ zwischen $\sigma$ -Algebren (basierend auf Rogge), um Stetigkeitseigenschaften von bedingten Erwartungswerten zu etablieren.

Wesentliche Beiträge und Ergebnisse

1. Approximatives gemeinsames Wissen eines Ereignisses
Das Papier stellt fest, dass die auf $\sigma$ -Algebren basierende Definition von $(\delta, \varepsilon)$ -gemeinsamem Wissen äquivalent zu sowohl einer hierarchischen Definition (gegenseitiges Wissen über gegenseitiges Wissen) als auch einer alternierenden hierarchischen Definition (Individuum 1 weiß, Individuum 2 weiß, dass Individuum 1 weiß, etc.) ist. Dies generalisiert Aumanns ursprünglichen Äquivalenzbeweis auf das approximative Setting.

Quantitativer Übereinstimmungssatz (Theorem 3.12 & 3.15): Die Autoren beweisen, dass, wenn zwei Individuen $(\delta, \varepsilon)$ -gemeinsames Wissen über ihre Posteriors (für ein Ereignis oder eine Zufallsvariable $X \in [0,1]$ ) haben, die innerhalb spezifischer Intervalle liegen, der Abstand zwischen ihren Posteriors gleichmäßig beschränkt ist. Insbesondere, wenn die Posteriors $(\delta, \varepsilon)$ -gemeinsames Wissen sind, ist die Differenz $|q_1 - q_2|$ durch $\frac{2\delta + \varepsilon}{1 + \delta}$ beschränkt. Dieses Ergebnis gilt für allgemeine Wahrscheinlichkeitsräume, im Gegensatz zu früheren Ergebnissen basierend auf gemeinsamem $p$ -Glauben, die auf abzählbare Räume beschränkt waren.
Beziehung zum gemeinsamen $p$ -Glauben: Das Papier liefert explizite Konvertierungsformeln (Propositionen 3.18 und 3.19) zwischen $(\delta, \varepsilon)$ -gemeinsamem Wissen und schwachem gemeinsamem $p$ -Glauben und zeigt auf, dass die beiden Konzepte hinsichtlich der Anwendbarkeit austauschbar sind, obwohl $(\delta, \varepsilon)$ -gemeinsames Wissen eine robustere strukturelle Äquivalenz in allgemeinen Räumen bietet.

2. Approximatives gemeinsames Wissen einer Zufallsvariable
In Erweiterung von Nielsens Arbeit definieren die Autoren $(\delta, \varepsilon)$ -gemeinsames Wissen für Zufallsvariablen unter Verwendung bedingter Varianzen. Eine Zufallsvariable $X$ besitzt $(\delta, \varepsilon)$ -gemeinsames Wissen auf einem Ereignis $B$ , wenn $B$ $\delta$ -nahe in beiden Individuen- $\sigma$ -Algebren liegt und die bedingte Varianz von $X$ gegeben die eingeschränkte $\sigma$ -Algebra durch $\varepsilon$ beschränkt ist.

Übereinstimmungssatz für Zufallsvariablen (Theorem 4.21): Das Papier beweist, dass, wenn die Posteriors einer Zufallsvariablen $X$ auf einem Ereignis $B$ $(\delta, \varepsilon)$ -gemeinsames Wissen sind, der $L^2$ -Abstand zwischen den Posteriors auf $B$ durch eine Funktion von $\delta$ und $\varepsilon$ beschränkt ist:
$E_{P_B}[(E[X|\mathcal{G}_1] - E[X|\mathcal{G}_2])^2] \leq 64\delta \|X\|_{L^\infty}^2 + 4\sqrt{\varepsilon} \|X\|_{L^\infty}$
Dieses Ergebnis generalisiert Nielsens Übereinstimmungssatz auf approximative Settings.

3. Dynamische approximative Übereinstimmung
Die Autoren erweitern die dynamischen Übereinstimmungsresultate von Geanakoplos und Polemarchakis sowie Nielsen auf verrauschte Settings.

Konvergenz mit Rauschen (Theorem 5.2): In einem dynamischen Setting, in dem Individuen Informationen über die Zeit austauschen, wenn die bedingte Varianz des Posteriors eines Individuums gegeben die zukünftige Information des anderen gegen $\varepsilon$ konvergiert (approximatives gemeinsames Wissen), dann ist der $L^2$ -Abstand zwischen ihren limitierenden Posteriors durch $2\sqrt{\varepsilon \text{Var}(X)}$ beschränkt.
Anwendung auf verrauschte Kommunikation (Beispiel 5.4): Das Papier illustriert dies mit einem Szenario, in dem Individuen ihre Posteriors über einen verrauschten Kanal mit gleichmäßig nach oben beschränktem Varianzrauschen kommunizieren. Das Ergebnis garantiert, dass die Uneinigkeit im Unendlichen allein durch die Rauschvarianz $\varepsilon$ kontrolliert wird, ohne Annahmen über die Form der Rauschverteilung zu erfordern.

Bedeutung
Das Papier beansprucht seine Bedeutung primär durch seine konzeptionelle Generalisierung und quantitative Präzision:

Allgemeine Wahrscheinlichkeitsräume: Im Gegensatz zu früherer Arbeit über approximative Übereinstimmung (z. B. Monderer und Samet, Geanakoplos, Morris), die auf abzählbaren Räumen basierte, gelten diese Ergebnisse für beliebige Wahrscheinlichkeitsräume, was sie für kontinuierliche Modelle und Räume mit unendlichen Typen in Bayesschen Spielen anwendbar macht.
Vereinheitlichtes Rahmenwerk: Es vereinheitlicht die Untersuchung von approximativem Wissen sowohl für Ereignisse als auch für Zufallsvariablen unter einem einzigen $(\delta, \varepsilon)$ -Rahmenwerk und bewahrt dabei die Äquivalenz zwischen $\sigma$ -Algebra-Definitionen und hierarchischen Definitionen.
Robustheit: Die Ergebnisse liefern explizite quantitative Schranken für die Uneinigkeit und zeigen, dass substantielle Uneinigkeit selbst dann unmöglich ist, wenn das gemeinsame Wissen nur approximativ ist. Dies ist besonders relevant für die Modellierung realer Szenarien mit verrauschter Kommunikation, in denen exaktes gemeinsames Wissen unerreichbar ist.

Die Autoren wahren einen bescheidenen Ton und merken an, dass, obwohl die Konstanten in den Schranken möglicherweise nicht eng gefasst sind, die Existenz solcher Schranken in allgemeinen Räumen und die Fähigkeit, zwischen verschiedenen Begriffen des approximativen Wissens zu konvertieren, den Kern des theoretischen Fortschritts ausmachen.

Die zwei Regler des „Fast“

Die wichtigste Entdeckung: Sie stimmen trotzdem überein (größtenteils)

Von Ereignissen zu Zufallsvariablen (Das „bewegliche Ziel“)

Das Szenario des „verrauschten Telefons“

Zusammenfassung

Mehr davon