研究内容为解决缺乏客观基本事实的情况下从多个代理人中收集信息的问题，介绍了一种有效的多任务机制和相关协议机制，并在不同信号分布条件下证明了其在保持强真实性方面的可行性。

Mar, 2016

提出了一种新颖的机制来激励人群工作，仅给少数人分配黄金任务并利用传递性从他们的同伴准确性中推导其他人的准确性，从而确保博弈论激励兼容性和公平性。

Apr, 2018

本研究提出一种新的信息引出机制，可用于多任务时具有内生能力的代理人的二进制信息引出，其奖励代理人同意 “参考” 评估者的任务，但惩罚盲目同意，以鼓励代理人付出更多的努力，以便获取奖励。

Mar, 2013

本论文考虑如何设计一种激励机制，以在固有的逆向选择环境下，利用纯粹的协作或对抗以及报告代价获得真实从众意见汇报。

Jan, 2014

提出了一种新的数据评估方法，通过使用合适的评分规则和点间互信息测量来保证数据供应商总是通过真实报告观测到的数据来最大化他们的预期得分，该方法在贝叶斯机器学习环境中引入了一种新的点间互信息测量方法，证明了它在鲁棒性和对过拟合敏感性方面的优越性。

May, 2024

本文研究了自动机制设计中的部分验证问题，侧重于所有类型在结果上共享相同偏好的环境中的真实机制，并寻找优化确定性真实机制的有效算法，同时将这些结果推广到代价函数为次模的情况。

Apr, 2021

本文介绍了一种简单而通用的规约方法，可将单参数域的单调分配规则转化为随机机制，使得机制期望上是真实的，并且对于每个实现都是独立的。该机制的运行时间复杂度与 Dijkstra 算法相同，可在机制设计的许多问题中应用。

Apr, 2010

本文提出了一种基于点互信息的新的响应语义度量指标，并将其应用于深度学习生成模型生成对话的评估和后续的响应生成过程中，可以获得更可信和真实的自动响应。

May, 2023

提出了一种简单的支付机制以激励工作者仅回答他们确定的问题并跳过其他问题，来解决众包中低质量数据的问题。在 900 个工作者 - 任务对的初步实验中，观察到使用这种机制可以显著降低错误率并且支出相同或更少的金钱。

Aug, 2014

该研究通过机制设计的方式探究了多方协作进行多方机器学习模型优化的问题，并提出了适用于这种情况的最优真实机制。

Jan, 2020