Delta-Epsilon-Common Knowledge and Quantitative Agreement Theorems

技术摘要：Delta-Epsilon-共同知识与定量一致性定理

问题陈述
在奥曼（Aumann）的开创性工作发表五十多年后，共同知识与一致性定理领域在实际应用中面临两个主要局限。首先，现实世界的场景通常涉及“近似”共同知识，而非奥曼所定义的严格、二元的共同知识。其次，现有的奥曼一致性定理的推广——特别是从可数概率空间向一般（不可数）空间的移动，以及从事件向随机变量的移动（如尼尔森 [Nielsen] 所做的工作）——尚未能与近似知识的概念充分结合。虽然以往的文献（如 Monderer 和 Samet、Geanakoplos、Morris）探讨了近似一致性（即“共同 $p$-信念”），但这些结果主要局限于可数概率空间。目前需要一个能够量化距离共同知识之差的框架，并将其应用于一般概率空间和随机变量，特别是在涉及噪声通信的情境下。

方法论
作者引入了一个用于量化近似共同知识的新颖框架，称之为定义在一般概率空间 $(\Omega, \mathcal{F}, P)$ 上的事件的 $(\delta, \varepsilon)$-共同知识。该方法依赖于对基本集合论和测度论概念的两类放宽：

1. $\sigma$-代数中的 $\delta$-近包含： 若存在 $G \in \mathcal{G}$ 使得 $P(B \triangle G) \leq P(B)\delta$，则称事件 $B$ 近似属于 $\sigma$-代数 $\mathcal{G}$。
2. 事件中的 $\varepsilon$-近包含： 若 $P(B \setminus A) \leq P(B)\varepsilon$，则称事件 $B$ 近似为 $A$ 的子集。

本文通过定义在“事件 $B$ 上”而非特定状态 $\omega$ 上的知识与共同知识。这种方法允许处理零测集以及在这些集合中精确获知特定后验值往往是不可能的连续模型。作者利用条件方差来量化已知某一随机变量的“接近程度”，从而扩展了尼尔森的工作。此外，他们还利用 $\sigma$-代数之间的度量 $d(\mathcal{G}_1, \mathcal{G}_2)$（基于 Rogge 的定义）来建立条件期望的连续性性质。

核心贡献与结果

1. 事件的近似共同知识
本文确立了基于 $\sigma$-代数的 $(\delta, \varepsilon)$-共同知识定义，与层级式定义（互知互知）以及交替层级式定义（个体 1 知道，个体 2 知道个体 1 知道，以此类推）是等价的。这将其在近似设定下的证明过程推广了奥曼最初的等价性证明。

• 定量一致性定理（定理 3.12 & 3.15）： 作者证明，如果两个个体对于其后验概率（针对某一事件或随机变量 $X \in [0,1]$）落在特定区间内具有 $(\delta, \varepsilon)$-共同知识，则其后验概率之间的距离是有界限的。具体而言，若后验概率是 $(\delta, \varepsilon)$-共同知识，则其差异 $|q_1 - q_2|$ 被限制在 $\frac{2\delta + \varepsilon}{1 + \delta}$ 之内。该结果适用于一般概率空间，不同于以往基于共同 $p$-信念且受限于可数空间的结果。
• 与共同 $p$-信念的关系： 本文提供了 $(\delta, \varepsilon)$-共同知识与弱共同 $p$-信念之间的显式转换公式（命题 3.18 和 3.19），证明了两种概念在适用性上是可以互换的，尽管 $(\delta, \varepsilon)$-共同知识在一般空间中提供了更稳健的结构等价性。

2. 随机变量的近似共同知识
通过使用条件方差，本文扩展了尼尔森关于随机变量的工作，定义了随机变量的 $(\delta, \varepsilon)$-共同知识。若事件 $B$ 在两个个体的 $\sigma$-代数中均为 $\delta$-近包含，且随机变量 $X$ 在受限 $\sigma$-代数下的条件方差被 $\varepsilon$ 所限制，则称 $X$ 是关于 $B$ 的 $(\delta, \varepsilon)$-共同知识。

• 随机变量的一致性定理（定理 4.21）： 本文证明，若随机变量 $X$ 的后验概率在事件 $B$ 上是 $(\delta, \varepsilon)$-共同知识，则其在 $B$ 上的后验概率的 $L^2$ 距离由 $\delta$ 和 $\varepsilon$ 函数进行界定：
  $$E_{P_B}[(E[X|\mathcal{G}_1] - E[X|\mathcal{G}_2])^2] \leq 64\delta \|X\|_{L^\infty}^2 + 4\sqrt{\varepsilon} \|X\|_{L^\infty}$$
  该结果将尼尔森的一致性定理推广到了近似设定。

3. 动态近似一致性
作者将 Geanakoplos 和 Polemarchakis 以及尼尔森的动态一致性结果扩展到了噪声设定。

• 带噪声的收敛（定理 5.2）： 在个体通过时间交换信息的动态设定中，如果一个人的后验概率在另一人的未来信息下的条件方差收敛至 $\varepsilon$（近似共同信息），则其极限后验概率之间的 $L^2$ 距离被 $2\sqrt{\varepsilon \text{Var}(X)}$ 所限制。
• 噪声通信的应用（示例 5.4）： 本文通过一个场景说明了这一点：个体通过具有一致有界方差噪声的噪声信道交流其后验概率。结果保证了无穷远处的差异仅受噪声方差 $\varepsilon$ 的控制，而无需对噪声分布的形状做出假设。

意义
本文声称其意义主要在于概念泛化与定量精确性：

1. 一般概率空间： 不同于以往处理近似一致性的工作（如 Monderer 和 Samet、Geanakoplos、Morris）依赖于可数空间，这些结果适用于任意概率空间，使其能够应用于贝叶斯博弈中的连续模型和无限类型空间。
2. 统一框架： 它将事件与随机变量的近似知识研究统一在单一的 $(\delta, \varepsilon)$-框架之下，并保留了 $\sigma$-代数定义与层级定义之间的等价性。
3. 稳健性： 结果提供了关于差异的显式定量界限，表明即使在只有近似共同知识的情况下，实质性的分歧也是不可能发生的。这对于建模涉及噪声通信（其中精确的共同知识是无法达到的）的现实世界场景尤为重要。

作者保持了谦逊的基调，指出虽然界限中的常数可能不是最紧凑的，但在一般空间中存在此类界限的能力，以及在不同近似知识概念之间进行转换的能力，构成了其核心理论进展。