We study the problem of eliciting and aggregating probabilistic information
from multiple agents. In order to successfully aggregate the predictions of
agents, the principal needs to elicit some notion of confidence from agents,
capturing how much experience or knowledge led to their p
通过利用多智能体分散融合问题中的概率独立结构，本文展示了一种使用多个 (非整体的) 权重因子而不是原始 CI 中的单个 (整体的) 因子的 CI 算法扩展以及一种能够计算最优上下界并充分利用任意依赖结构的通用优化方案，从而可以找到一个更紧密的界限。通过比较我们的方法，并展示在一个简单问题上收敛于相同的解。然后，我们在一个大规模目标跟踪模拟中测试我们的新非整体的 CI 算法，展示相比原始整体 CI，它实现了更紧密的界限和更准确的估计。