本书介绍了不同的场景及假设，包括感知、人工计算、同行评级、评审以及预测。书中综述了不同的激励机制，包括适当的打分规则、市场预测和同行预测，贝叶斯测真机，同行测真机，相关协议以及使它们适用的一些设置。作为替代方案，也考虑了信誉机制。同时补充了博弈论分析在预测平台、群智传感、同行评级中的应用实例。

本书适合数据科学、机器学习、计算博弈论等领域的研究人员，以及相关专业的高校师生阅读。

原书前言

原书致谢

第1章 绪论

1.1 动机

1.1.1 商品点评

1.1.2 民意调查

1.1.3 群智传感

1.1.4 众包任务

1.2 质量控制

1.3 设置

第2章 用于可验证信息的机制

2.1 获取单个值

2.2 导出分布:适当的评分规则

第3章 不可验证信息的参数机制

3.1 客观信息的同行一致性

3.1.1 输出一致性

3.1.2 博弈论的分析

3.2 主观信息的同行一致性

3.2.1 同行预测方法

3.2.2 通过自动机制设计，提高同行预测能力

3.2.3 同行预测机制的几何特征

3.3 共同的先验机制

3.3.1 阴影机制

3.3.2 同行测真机

3.4 应用

3.4.1 自我监控的同行预测

3.4.2 同行测真机应用于群智传感

3.4.3 Swissnoise中的同行测真机

3.4.4 人工计算

第4章 非参数机制:多份报告

4.1 贝叶斯测真机

4.2 鲁棒的贝叶斯测真机

4.3 基于差异的BTS

4.4 两个阶段的机制

4.5 应用

第5章 非参数机制:多任务

5.1 相关协议

5.2 面向众包的同行测真机（PTSC）

5.3 对数同行测真机（LPTS）

5.4 其他机制

5.5 应用

5.5.1 同行评分:课程测验

5.5.2 群智传感

第6章 预测市场:结合启发和聚合

第7章 受影响力激励的智能体

7.1 影响限制器:真实数据的使用

7.2 当无法获得真实数据时的战略防御机制

第8章 分布式机器学习

8.1 管理信息智能体

8.2 从激励到回报

8.3 与机器学习算法的集成

8.3.1 短期的影响

8.3.2 贝叶斯聚集成直方图

8.3.3 模型插值

8.3.4 学习分类器

8.3.5 隐私保护

8.3.6 对智能体行为的限制

第9章 总结

9.1 对质量激励

9.2 分类同行一致性机制

9.3 信息聚合

9.4 未来的工作

参考文献

数据和资料相比有非常不同的特性:价值高度依赖新颖性和精确性，仅由产生它的上下文决定。另一方面，它能被自由复制且不需要成本。因此，它不能被看成有内在价值的资源，这是大多数博弈论的关注点。

相反，本书相信数据博弈论应关注产生新颖、精确数据的激励机制，本书把此类观点的近期工作汇集在了一起。

本书介绍了可用于这种激励的各种机制。从可验证信息的激励机制开始展示，真实数据（ground truth）用作激励的基础。本书大多数内容是关于更难的不可验证信息的激励问题的，真实数据永远不可知。事实证明，即便在这种情况下，博弈论能提供激励，使得提供精确和 真实信息的贡献者获得最大利益。

本书也考虑在有些场景下，智能体主要想通过它们提供的数据来影响学习算法的结果，这里面就有无视货币奖励的恶意智能体。书中将展示如何限制个体数据提供者对学习结果的负面影响，以及如何阻止恶意的报告。

不过本书的主要目标是使读者理解构造激励机制的原理，最后以分析几种必须要考虑的特征来结束，它们集成在了一个实际的分布式机器学习系统中。

本书是写作时处在发展中的这个领域的一个快照，希望它能激发更多研究者的兴趣。