📈 economics

Delta-Epsilon-Common Knowledge and Quantitative Agreement Theorems

本論文は、一般的な確率空間に適用可能な $(\delta,\epsilon)$ -共通知識のための新しい枠組みを導入し、ノイズを含む通信および確率変数を伴う設定に対して、オーマンの合意定理および関連する結果の定量的拡張を提供する。

原著者： Christina Pawlowitsch, Stefan Schrott, Daniel Toneian

公開日 2026-06-11

📖 1 分で読めます☕ さくっと読める

原著者： Christina Pawlowitsch, Stefan Schrott, Daniel Toneian

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたと友人が、明日の降水確率のように、あるミステリーな出来事の結果を予想しようとしている場面を想像してみてください。あなたには独自のプライベートな情報があり（例えば、あなたは空模様を確認し、友人はアプリを確認した）、友人にも独自のプライベートな情報があります。古典的な数学理論の完璧な世界では、もしお互いが「相手も答えを知っていることを自分は知っている」という状態を無限に繰り返すならば、あなたたちは予測として全く同じ数値に辿り着くことを強制されます。これが、ロバート・オーマンによる有名な「合意定理（Agreement Theorem）」です。

しかし、現実の世界は完璧ではありません。私たちは無限の記憶を持っているわけではなく、コミュニケーションは時に曖昧であり、情報が100%完全であることも稀です。私たちはしばしば、「ほぼ」知っているという状態にあります。

パヴロヴィッチ、シュロット、およびトネイアンによるこの論文は、シンプルかつ深遠な問いを投げかけています。「私たちが『ほぼ』しか確信を持てていないとき、その合意のルールはどうなるのか？」 という問いです。

彼らは、この「ほぼ」を測定するための新しい方法として、機械のダイヤのように、 $\delta$ （デルタ）と $\epsilon$ （エプシロン）という2つのシンプルな数値を紹介しています。

「ほぼ」を表す2つのダイヤ

著者たちは、私たちが完璧な知識にどれほど近いかを測定するために、2種類の「不確かさ」を用いたシステムを作成しました。

$\delta$ ダイヤ（「ぼやけたレンズ」）: これは、あなたのプライベートな情報がどれほど明確さに近いかを測定します。少し曇った窓越しに地図を見ている状況を想像してください。もし霧が非常に薄ければ（ $\delta$ が小さければ）、あなたはほとんど道路をはっきりと見ることができます。数学的な意味では、これはあなたの情報があなたの知識の中に「ほぼ」含まれていることを意味します。
$\epsilon$ ダイヤ（「漏れるバケツ」）: これは、あなたの結論が真実にどれほど近いかを測定します。バケツに水を満たそうとしている場面を想像してください。ただし、そのバケツには小さな穴が開いています。もし穴が非常に小さければ（ $\epsilon$ が小さければ）、あなたは依然としてほぼ正しい量の水を得ることができます。数学的な意味では、これはあなたの信念が実際の事象の「ほぼ」部分集合であることを意味します。

主な発見：それでも、あなたは（おおよそ）合意できる

この論文の大きなニュースは、これら2つのダイヤが回っている状態（つまり、レンズがぼやけ、バケツに漏れがある状態）であっても、あなたと友人は激しく意見が食い違うことはないということです。

もし、あなたと友人が、お互いに「答えを『ほぼ』知っている」ということを知っているならば（これらの $\delta$ と $\epsilon$ の定義を用いて）、最終的な予測値は非常に近いものになります。論文は次のような数学的公式を提供しています。「あなたの予想と私の予想の差は、私たちの状況がいかにぼやけていて、いかに漏れているかから計算される特定の数値よりも大きくなることはない」。

例え話: 2人の人がスイカの重さを当てようとしていると想像してください。一人はレンズが少し汚れた眼鏡をかけており（ $\delta$ ）、もう一人は校正が少しずれた秤を使っています（ $\epsilon$ ）。たとえどちらも完璧な視界や完璧な秤を持っていないとしても、もし二人が「相手も同じような『少し不完全な』状態にある」ということを知っていれば、最終的な重さの予想は非常に近くなるはずです。彼らは「5ポンド」と「50ポンド」のように極端な予想をすることはありません。「12ポンド」と「13ポンド」のように予想することになるでしょう。「ノイズ」が、二人の差がどれほど広がるかを制限するのです。

事象から確率変数へ（「動く標的」）

この論文は、より困難なバージョンにも取り組んでいます。単に「はい／いいえ」（雨が降るか？）を当てるのではなく、気温や株価のように変化する数値を当てる場合はどうなるでしょうか？

著者たちは、この「ぼやけたレンズ」と「漏れるバケツ」の概念を、これらの動く標的に拡張しました。彼らは、複雑に変化する数値を予測しようとしている場合でも、もし知識が「ほぼ」共有されているのであれば、その数値の推定値は互いに近い状態に留まることを示しています。彼らは「条件付き分散（conditional variance）」という概念（私の予想がどれくらい揺れ動く可能性があるか、という高度な言い換え）を用いて、この近さを測定しています。

「ノイズの多い電話」のシナリオ

論文は、実用的な例として、ノイズの多い電話のやり取りで締めくくられます。あなたと友人が電話で、気温を特定しようとしている場面を想像してください。話すたびに、電話があなたの声にわずかな静電気ノイズを加えます。

旧来の見方: もし少しでもノイズがあれば、数学的には、二人が完璧な合意に達することは決してできないとされます。
新しい見方: 著者たちは、たとえこの絶え間ない静止音（スタティック）があっても、ノースが大きくなりすぎない限り（分散が有界であれば）、あなたの予想は最終的に落ち着き、互いに非常に近い状態に留まることを示しています。完璧で静かな回線は必要ありません。ただ、ノイズがひどすぎない回線があればよいのです。

まとめ

簡単に言えば、この論文は、硬直した完璧な世界の数学ルール（「すべてを知っていれば、必ず一致する」）を、混乱に満ちた現実世界に合わせて柔らかいものへと作り変えたものです。それは、不完全な知識が完全な混沌を招くことはないということを証明しています。私たちの不完全さが小さく、そして相手も同様に不完全であるということを私たちが知っている限り、数学的に、私たちは同じ範囲内に留まることが保証されています。小数点以下の正確な一致には至らないかもしれませんが、大まかな考えについては間違いなく一致するのです。

技術要約：デルタ・イプシロン共通知識および定量的合意定理

問題提起
オーマン（Aumann）の画期的な研究から50年が経過し、共通知識および合意定理の分野は、実用上の2つの主要な限界に直面している。第一に、現実世界のシナリオでは、オーマンが定義した厳密で二値的な共通知識ではなく、「ほぼ」共通の知識が関与していることである。第二に、オーマンの合意定理の既存の一般化（具体的には、数え上げ可能な確率空間から一般（非可算）確率空間への拡張、およびニールセン（Nielsen）による事象から確率変数への拡張）において、近似的知識の概念との統合が十分に図られていないことである。先行研究（Monderer and Samet, Geanakoplos, Morrisなど）は、共通の $p$ -信念（common $p$ -belief）を通じて近似的な合意を扱っているが、これらの結果は主に数え上げ可能な確率空間に限定されている。したがって、一般的な確率空間および確率変数に適用可能な、共通知識への距離を定量化するフレームワークが必要とされている。

手法
著者らは、一般的な確率空間 $(\Omega, \mathcal{F}, P)$ における事象に対して定義された、 $(\delta, \varepsilon)$ -共通知識と呼ばれる、近似的な共通知識を定量化するための新しいフレームワークを導入する。この手法は、集合論的および測度論的な概念の2つの緩和に基づいている。

$\sigma$ -代数への $\delta$ -近傍包含： 事象 $B$ が $\sigma$ -代数 $\mathcal{G}$ に $\delta$ -ほぼ含まれるとは、ある $G \in \mathcal{G}$ が存在して $P(B \triangle G) \leq P(B)\delta$ を満たすことである。
事象への $\varepsilon$ -近傍包含： 事象 $B$ が事象 $A$ の $\varepsilon$ -ほぼ部分集合であるとは、 $P(B \setminus A) \leq P(B)\varepsilon$ を満たすことである。

本論文では、特定の状態 $\omega$ における知識ではなく、「事象 $B$ 上の」知識および共通知識を定義する。このアプローチにより、零集合や、特定の事後値の正確な知識を得ることがしばしば不可能な連続モデルを扱うことが可能になる。著者らは、ニールセンの仕事を拡張し、確率変数への「近さ」を定量化するために条件付き分散を利用する。また、条件付き期待値の連続性を確立するために、ログ（Rogge）に基づく $\sigma$ -代数間の距離 $d(\mathcal{G}_1, \mathcal{G}_2)$ を用いる。

主な貢献および結果

1. 事象の近似的共通知識
本論文は、 $\sigma$ -代数に基づく $(\delta, \varepsilon)$ -共通知識の定義が、階層的な定義（相互の相互知識）および交互階層的な定義（個人1が知り、個人2が個人1が知っていることを知る、等）の両方と等価であることを確立している。これは、近似的な設定において、オーマンによる元の等価性の証明を一般化したものである。

定量的合意定理 (Theorem 3.12 & 3.15): 2人の個人が、事象（または確率変数 $X \in [0,1]$ ）の事後値が特定の区間内に存在することについて $(\delta, \varepsilon)$ -共通知識を持っている場合、彼らの事後値の間の距離は一様に有界であることを証明している。具体的には、事後値が $(\delta, \varepsilon)$ -共通知識である場合、差 $|q_1 - q_2|$ は $\frac{2\delta + \varepsilon}{1 + \delta}$ によって抑えられる。この結果は、共通の $p$ -信念に基づく従来の結果とは異なり、一般的な確率空間において成立する。
共通 $p$ -信念との関係: 本論文は、 $(\delta, \varepsilon)$ -共通知識と弱共通 $p$ -信念の間の明示的な変換公式（Proposition 3.18 および 3.19）を提供し、両者が適用可能性の観点からは互換性があることを示している。ただし、 $(\delta, \varepsilon)$ -共通知識の方が、一般的な空間においてより強固な構造的等価性を提供する。

2. 確率変数の近似的共通知識
ニールセンの研究を拡張し、条件付き分散を用いて確率変数の $(\delta, \varepsilon)$ -共通知識を定義する。確率変数 $X$ が事象 $B$ 上で $(\delta, \varepsilon)$ -共通知識であるとは、 $B$ が両者の $\sigma$ -代数に $\delta$ -ほぼ含まれ、かつ制限された $\sigma$ -代数における $X$ の条件付き分散が $\varepsilon$ 以下であることを指す。

確率変数に対する合意定理 (Theorem 4.21): 確率変数 $X$ の事後値が事象 $B$ 上で $(\delta, \varepsilon)$ -共通知識である場合、 $B$ 上の事後値の $L^2$ 距離が $\delta$ と $\varepsilon$ の関数によって抑えられることを証明している：
$E_{P_B}[(E[X|\mathcal{G}_1] - E[X|\mathcal{G}_2])^2] \leq 64\delta \|X\|_{L^\infty}^2 + 4\sqrt{\varepsilon} \|X\|_{L^\infty}$
この結果は、ニールセンの合意定理を近似的な設定へと一般化したものである。

3. 動的な近似合意
著者らは、Geanakoplos and Polemarchakis および Nielsen の動的な合意結果をノイズを含む設定へと拡張している。

ノイズを伴う収束 (Theorem 5.2): 個々人が時間をかけて情報を交換する動的な設定において、一方の個人の事後値の他方の将来の情報に対する条件付き分散が $\varepsilon$ に収束する場合（近似的共通情報）、それらの極限事後値の $L^2$ 距離は $2\sqrt{\varepsilon \text{Var}(X)}$ によって抑えられる。
ノイズ通信への応用 (Example 5.4): 本論文は、これを、一様に有界な分散ノイズを持つ通信路を通じて事後値を交換するシナリオを用いて例示している。この結果は、無限遠における不一致が、ノイズ分布の形状に関する仮定を必要とせず、ノイズの分散 $\varepsilon$ のみによって制御されることを保証している。

意義
本論文は、主にその概念的な一般化と定量的な精密さにおいて意義があると主張している。

一般的な確率空間: 近似的な合意に関する先行研究（Monderer and Samet, Geanakoplos, Morrisなど）が数え上げ可能な空間に依存していたのに対し、これらの結果は任意の確率空間で成立するため、連続モデルやベイズゲームにおける無限型の空間への適用が可能である。
統一されたフレームワーク: 事象と確率変数の両方に関する近似的知識の研究を、単一の $(\delta, \varepsilon)$ フレームワークの下で統一し、 $\sigma$ -代数の定義と階層的定義の間の等価性を維持している。
堅牢性: 結果は不一致に関する明示的な定量的境界を提供しており、共通知識が近似的である場合でも、大幅な不一致は起こり得ないことを示している。これは、正確な共通知識が得られない現実世界のノイズを含む通信のモデリングにおいて特に重要である。

著者らは、境界における定数がタイトではない可能性があるとしつつも、一般的な空間におけるこのような境界の存在と、異なる近似知識の概念間での変換能力こそが、理論的な核心的進歩であるとして、控えめなトーンを維持している。

「ほぼ」を表す2つのダイヤ

主な発見：それでも、あなたは（おおよそ）合意できる

事象から確率変数へ（「動く標的」）

「ノイズの多い電話」のシナリオ

まとめ

関連論文