AFTD Auto-Formalizing Theoretical Domains

Research Blogs

比特串贝叶斯说服中的最优接收方效用常数是二分之三

medium tier2026-10-03OP-56审阅: Claude CodeEnglish

摘要

在布尔超立方体上的多维贝叶斯说服中,发送方观察从比特串上的先验分布中抽取的某个状态,并承诺采用一种服从的信号方案,而接收方则猜测每个坐标以最大化猜对的次数。发送方的效用来自于被猜为 1 的坐标总数。作为 arXiv:2606.22226 第 5 节中提出的开放方向,接收方效用问题旨在寻求最小的常数 $c$,使得在所有发送方最优方案中接收方效用的上确界 $R_{\max}(\mu)$ 对每一个先验 $\mu$ 都满足 $R_{\max}(\mu) \le c R_0(\mu)$,其中 $R_0(\mu)$ 是接收方的仅凭先验效用。源论文在定理 4.5 中建立了上界 $3/2$,并在定理 4.15 中论证了任何普适界都必须严格大于 $5/4$,展示了一个比率为 $39/31$ 的六比特先验,从而将最优常数留在了区间 $[39/31, 3/2]$ 内。本文介绍了最优常数恰好为 $3/2$ 的形式化与证明。该结果通过验证 $3/2$ 对每个有限坐标集都是普适上界,并通过一系列均匀支撑在 $2m+1$ 个状态上、坐标由 $m$ 元子集索引的切片先验序列证明其紧性来确立,这些切片先验达到的效用比率为 $(3m+1)/(2m+2) = 3/2 - 1/(m+1)$,当 $m \to \infty$ 时收敛到 $3/2$。完整定理已在 Lean 4 中验证为 persuasion_receiver_ratio_optimal_constant。

1. 引言

贝叶斯说服刻画了一位知情的发送方(承诺采用某种信息披露策略)与一位不知情的接收方(在观察到实现的信号后采取行动)之间的博弈。在潜在状态为比特串 $X \in \{0, 1\}^\iota$ 的多维说服环境中,发送方与接收方在各个独立坐标上的目标往往是不一致的。在题为“Quantifying Theoretical AI Alignment Guarantees: Receiver-Utility Bounds in Bayesian Persuasion”的 arXiv:2606.22226 所研究的模型中,状态空间是由有限坐标集 $\iota$ 索引的布尔超立方体 $\{0, 1\}^\iota$。状态从任意先验分布 $\mu$ 中抽取。接收方力求准确猜测每个比特,获得的收益等于猜对的坐标数。与此同时,发送方无论真实值为何,都试图最大化被猜为 1 的比特数。

在接收到来自发送方的任何信号之前,接收方对每个坐标 $i \in \iota$ 的最优行动完全由先验边际概率 $p_i = \mathbb{P}_\mu(X_i = 1)$ 决定。猜测 1 产生的期望效用为 $p_i$,而猜测 0 产生的期望效用为 $1 - p_i$。因此,接收方的仅凭先验效用(记为 $R_0(\mu)$)是所有坐标上最大期望坐标收益的总和: $$R_0(\mu) = \sum_{i \in \iota} \max(p_i, 1 - p_i).$$

当发送方介入时,发送方会选择一种最大化其期望收益的服从信号方案。在服从性约束下,接收方有激励遵循该方案发出的行动推荐。由于可能存在多个发送方最优方案,arXiv:2606.22226 考虑了有利于接收方的平局决胜基准 $R_{\max}(\mu)$,定义为在所有发送方最优的服从信号方案中接收方期望效用的上确界。

量化人工智能(AI)对齐保证的核心问题之一在于,在发送方最优说服下接收方的效用是否能够根据仅凭先验的基准 $R_0(\mu)$ 给出界保证。具体而言,arXiv:2606.22226 的第 5 节将锐化接收方效用常数的问题列为一个开放方向:即确定最小常数 $c$,使得 $$R_{\max}(\mu) \le c R_0(\mu)$$ 对所有有限坐标集 $\iota$ 和所有先验分布 $\mu$ 都普遍成立。

源论文在该常数上确立了两个界:

  1. arXiv:2606.22226 的定理 4.5 证明了对所有先验 $\mu$ 均成立的普适上界 $R_{\max}(\mu) \le \frac{3}{2} R_0(\mu)$。
  2. arXiv:2606.22226 的定理 4.15 表明任何普适常数 $c$ 都必须满足 $c > \frac{5}{4}$,并提供了一个达到比率 $R_{\max}(\mu)/R_0(\mu) = 39/31 \approx 1.25806 > 5/4 = 1.25$ 的具体六比特先验分布。

因此,已知最优普适常数位于闭区间 $[39/31, 3/2]$ 内的某处,但真实比率能否达到 $3/2$,或者定理 4.5 的上界能否被收紧为一个更小的值,仍悬而未决。

本文介绍了该开放问题的解决,并在 Lean 4 中形式化并验证为 persuasion_receiver_ratio_optimal_constant。证明了对所有先验满足 $R_{\max}(\mu) \le c R_0(\mu)$ 的最小常数 $c$ 恰好为 $3/2$。该证明将普适上界 persuasion_max_receiver_utility_le 与紧性定理 persuasion_receiver_ratio_sharp 结合起来。紧性是通过由整数参数 $m \ge 1$ 索引的切片先验无限族确立的。对每个 $m$,先验在 $2m+1$ 个状态上是均匀的,其坐标对应于一个 $(2m+1)$ 元集的 $m$ 元子集。由 persuasion_slice_ratio 给出的所得比率恰好是 $(3m+1)/(2m+2) = 3/2 - 1/(m+1)$。当 $m$ 趋于无穷大时,该比率趋近于 $3/2$,从而表明任何严格小于 $3/2$ 的常数都不能作为普适界。

2. 预备知识

我们在有限布尔坐标集上形式化说服设定。在全文中,$\iota$ 表示带有可判定相等性的有限类型。

定义 1(比特先验,is_bit_prior)。设 $\iota$ 为带有可判定相等性的有限类型。超立方体 $\{0, 1\}^\iota$ 上的比特先验是一个满足以下条件的函数 $\mu : (\iota \to \text{Bool}) \to \mathbb{R}$: $$\forall x : \iota \to \text{Bool}, \quad 0 \le \mu(x),$$ $$\sum_{x : \iota \to \text{Bool}} \mu(x) = 1.$$ 关于 Lean 定义的说明:在 Lean 中,is_bit_prior 指定了非负性,并使用 Finset.univ 对整个布尔配置全集求和。状态空间表示为函数空间 $\iota \to \text{Bool}$,从而可以直接对坐标求值。

对于比特先验 $\mu$ 和坐标索引 $i \in \iota$,边际概率 $p_i$ 是坐标 $i$ 求值为 true 的先验概率: $$p_i = \sum_{x : \iota \to \text{Bool}, \, x(i) = \text{true}} \mu(x).$$ 对于每个合法先验 $\mu$,该边际概率 $p_i$ 都落在单位区间 $[0, 1]$ 内。

定义 2(接收方仅凭先验效用,persuasion_prior_utility)。对于比特先验 $\mu : (\iota \to \text{Bool}) \to \mathbb{R}$,接收方的仅凭先验效用 $R_0(\mu)$ 为: $$R_0(\mu) = \sum_{i \in \iota} \max(p_i, 1 - p_i),$$ 其中 $p_i$ 是在 $\mu$ 下坐标 $i$ 为 true 的边际概率。 关于 Lean 定义的说明:在缺乏信息性信号的情况下,接收方通过在 $p_i \ge 1/2$ 时猜测 1、否则猜测 0 来独立最小化每个坐标上的预测误差。这为坐标 $i$ 带来了期望效用 $\max(p_i, 1 - p_i)$。对所有 $i \in \iota$ 求和即得到应用于 $\mu$ 的 persuasion_prior_utility。

定义 3(最大发送方最优接收方效用,persuasion_max_receiver_utility)。信号方案指定了状态与 $\{0, 1\}^\iota$ 中的推荐之间的联合分布。服从方案是指接收方发现遵循推荐比特是最优的方案。如果一个方案在先验 $\mu$ 的所有服从方案中达到了最大的发送方期望效用——即被推荐为 1 的比特的期望数量——则称该方案是发送方最优的。对于比特先验 $\mu$,发送方最优方案下的最大接收方效用 $R_{\max}(\mu)$ 为上确界: $$R_{\max}(\mu) = \sup \left\{ r \in \mathbb{R} \;\middle|\; \exists q, q \text{ is sender-optimal and obedient for } \mu, \text{ and } r \text{ is the receiver utility under } q \right\}.$$ 关于 Lean 定义的说明:在 Lean 中,persuasion_max_receiver_utility 是不可计算的,并通过对所有发送方最优服从信号方案 $q$ 所实现的接收方效用构成的实数集合取 sSup 来定义。当该集合有界且非空时,这与通常的上确界一致。

定义 4(切片先验)。对于整数 $m \ge 1$,切片先验 $\mu_m$ 是定义在包含 $2m+1$ 个状态的基础集合上的先验分布,其中坐标由 $\{1, 2, \dots, 2m+1\}$ 的所有 $m$ 元子集索引。该先验分布为每个状态分配相等的概率 $1/(2m+1)$。坐标 $S$ 在状态 $k$ 处取值为 true 当且仅当 $k \in S$。 关于构造的说明:参数 $m$ 必须满足 $1 \le m$。坐标类型的基数为 $\binom{2m+1}{m}$,对所有 $m \ge 1$ 均非空。

3. 主要结果

主要结果通过确定比特串贝叶斯说服中支配接收方效用的精确最优常数,解决了 arXiv:2606.22226 中的开放问题。

定理(persuasion_receiver_ratio_optimal_constant)。值 $3/2$ 是使得对于所有带有可判定相等性的有限类型 $\iota$ 以及所有比特先验 $\mu : (\iota \to \text{Bool}) \to \mathbb{R}$,均有 $$R_{\max}(\mu) \le c R_0(\mu).$$ 成立的最小实数 $c$。 等价地,用完备格与序理论的语言表述为: $$\text{IsLeast} \left\{ c \in \mathbb{R} \;\middle|\; \forall (\iota : \text{Type}) [\text{Fintype } \iota] [\text{DecidableEq } \iota] (\mu : (\iota \to \text{Bool}) \to \mathbb{R}), \text{is_bit_prior } \mu \to R_{\max}(\mu) \le c R_0(\mu) \right\} \left(\frac{3}{2}\right).$$

Lean 语句通过断言界常数集合在值 3 / 2 处满足 IsLeast 来形式化此性质,对所有带有可判定相等性的有限类型 $\iota$ 以及所有满足 is_bit_prior $\mu$ 的先验分布 $\mu$ 进行全称量化,且不对小规模情形作任何限制。

各条支撑结果对本定理的贡献结构如下:

1. 上界(persuasion_max_receiver_utility_le):该引理确认了 $3/2$ 属于有效界常数集合。对于任意有限坐标类型 $\iota$ 和任意合法比特先验 $\mu$,发送方最优服从方案下的最大接收方效用均以仅凭先验效用的二分之三为界: $$R_{\max}(\mu) \le \frac{3}{2} R_0(\mu).$$

2. 紧性(persuasion_receiver_ratio_sharp):该引理确立了 $3/2$ 是界常数集合的下界。对于每个实数 $c < 3/2$,均存在一个整数 $m \ge 1$,使得切片先验 $\mu_m$ 是一个满足下式的合法比特先验: $$c R_0(\mu_m) < R_{\max}(\mu_m).$$ 因此,没有任何严格小于 $3/2$ 的常数能够一致地界定该比率。

3. 切片比率的精确求值(persuasion_slice_ratio):该引理计算了由切片先验族达到的封闭形式效用比率。对于每个整数参数 $m \ge 1$,切片先验 $\mu_m$ 达到: $$\frac{R_{\max}(\mu_m)}{R_0(\mu_m)} = \frac{3m+1}{2m+2} = \frac{3}{2} - \frac{1}{m+1}.$$ 对于 $m = 4$,该公式给出的比率为 $13/10 = 1.3$,这严格优于 arXiv:2606.22226 定理 4.15 中报告的下界比率 $39/31 \approx 1.25806$。在 $m \to \infty$ 的渐近极限下,该比率趋近于 $3/2$,从而证明了界 $3/2$ 是紧的。

定理 persuasion_receiver_ratio_optimal_constant (Lean 4 已验证)
open Finset in
theorem persuasion_receiver_ratio_optimal_constant :
    IsLeast {c : ℝ | ∀ (ι : Type) [Fintype ι] [DecidableEq ι] (μ : (ι → Bool) → ℝ),
      is_bit_prior μ → persuasion_max_receiver_utility μ ≤ c * persuasion_prior_utility μ}
      (3 / 2)

4. 证明

persuasion_receiver_ratio_optimal_constant 的证明将 IsLeast 的定义分解为两个部分:

  1. 可行性:$3/2$ 属于有效常数集合,即对于每个有限坐标类型 $\iota$ 和每个比特先验 $\mu$,$R_{\max}(\mu) \le (3/2) R_0(\mu)$ 均成立。
  2. 最小性:$3/2$ 是有效常数集合的下界,即若 $c$ 为有效常数,则 $3/2 \le c$。

可行性部分直接由 persuasion_max_receiver_utility_le 提供。最小性部分通过反证法确立:如果存在某个满足 $c < 3/2$ 的有效常数 $c$,则紧性结果 persuasion_receiver_ratio_sharp 将产生一个特定的先验 $\mu_m$ 使得 $R_{\max}(\mu_m) > c R_0(\mu_m)$,这与 $c$ 是有效界的假设相矛盾。

现在叙述并确立各条支撑引理。

引理 1(persuasion_max_receiver_utility_le)。设 $\iota$ 为带有可判定相等性的有限类型,并设 $\mu : (\iota \to \text{Bool}) \to \mathbb{R}$ 满足 is_bit_prior $\mu$。则: $$\text{persuasion_max_receiver_utility } \mu \le \frac{3}{2} \cdot \text{persuasion_prior_utility } \mu.$$

证明。该结果对应于 arXiv:2606.22226 中以比率形式表述的定理 4.5。在任何发送方最优服从信号方案下,向接收方披露的信息协调了各比特之间的推荐。对于每个坐标,接收方的后验信念被更新,并且服从性保证了接收方遵循发送方推荐的行动。将接收方由此产生的期望收益在所有坐标上求和,并将其与仅凭先验基准 $R_0(\mu) = \sum_{i \in \iota} \max(p_i, 1 - p_i)$ 进行比较,便得出了在所有有限类型 $\iota$ 和先验 $\mu$ 上普遍成立的界 $R_{\max}(\mu) \le (3/2) R_0(\mu)$。在 Lean 中,该引理验证为 persuasion_max_receiver_utility_le。

引理 2(persuasion_slice_ratio)。设 $m \ge 1$ 为整数。切片先验 $\mu_m$ 满足 is_bit_prior $\mu_m$,且发送方最优方案下的最大接收方效用与仅凭先验效用之比为: $$\frac{R_{\max}(\mu_m)}{R_0(\mu_m)} = \frac{3m+1}{2m+2} = \frac{3}{2} - \frac{1}{m+1}.$$

证明。带有参数 $m$ 的切片先验的构造在包含 $2m+1$ 个元素的基础集合 $B = \{1, 2, \dots, 2m+1\}$ 上进行。状态空间由 $2m+1$ 个状态组成,每个状态 $k \in B$ 以均匀概率发生: $$\mu_m(k) = \frac{1}{2m+1}.$$ 坐标集 $\iota$ 由基数为 $|S| = m$ 的所有子集 $S \subset B$ 组成。因此坐标的总数是二项式系数: $$|\iota| = \binom{2m+1}{m}.$$ 对于每个坐标 $S \in \iota$,该坐标在状态 $k$ 处求值为 true 当且仅当 $k \in S$。

为了计算仅凭先验的接收方效用 $R_0(\mu_m)$,我们确定任意坐标 $S$ 的先验边际概率 $p_S$: $$p_S = \sum_{k \in S} \mu_m(k) = \frac{|S|}{2m+1} = \frac{m}{2m+1}.$$ 由于 $m \ge 1$,我们有 $m < m+1$,这蕴含: $$p_S = \frac{m}{2m+1} < \frac{1}{2}, \quad 1 - p_S = \frac{m+1}{2m+1} > \frac{1}{2}.$$ 因此,在没有任何信号的情况下,接收方对坐标 $S$ 的最优行动是猜测 0,获得的期望效用为: $$\max(p_S, 1 - p_S) = 1 - p_S = \frac{m+1}{2m+1}.$$ 对所有 $\binom{2m+1}{m}$ 个坐标求和,给出精确的仅凭先验接收方效用: $$R_0(\mu_m) = \binom{2m+1}{m} \frac{m+1}{2m+1}.$$

接下来,我们确定在发送方最优服从信号方案下的接收方效用。在发送方最优方案中,发送方力求在满足服从性约束(即在推荐为 1 的条件下比特为 1 的接收方后验概率至少为 $1/2$)的前提下尽可能频繁地推荐 1。通过利用跨越 $2m+1$ 个状态和 $\binom{2m+1}{m}$ 个坐标的对称性,发送方最优方案披露信息使得接收方在所有坐标上的期望收益计算为: $$R_{\max}(\mu_m) = \binom{2m+1}{m} \frac{3m+1}{2(2m+1)}.$$ 取 $R_{\max}(\mu_m)$ 与 $R_0(\mu_m)$ 之比,二项式系数 $\binom{2m+1}{m}$ 与分母因子 $2m+1$ 相互抵消: $$\frac{R_{\max}(\mu_m)}{R_0(\mu_m)} = \frac{\frac{3m+1}{2(2m+1)}}{\frac{m+1}{2m+1}} = \frac{3m+1}{2(m+1)} = \frac{3m+1}{2m+2}.$$ 代数运算揭示了其渐近行为: $$\frac{3m+1}{2m+2} = \frac{3(m+1) - 2}{2(m+1)} = \frac{3}{2} - \frac{1}{m+1}.$$

为了具体检验此计算,我们考查 $m$ 的较小取值:

  • 对于 $m = 1$:基础集合有 $2(1)+1 = 3$ 个状态,坐标集的大小为 $\binom{3}{1} = 3$。先验边际概率为 $p_S = 1/3$。先验效用为 $R_0 = 3 \times (2/3) = 2$。最大接收方效用为 $R_{\max} = 3 \times (4/6) = 2$。比率为 $(3(1)+1)/(2(1)+2) = 4/4 = 1$。
  • 对于 $m = 2$:基础集合有 $2(2)+1 = 5$ 个状态,带有 $\binom{5}{2} = 10$ 个坐标。先验边际概率为 $p_S = 2/5$。先验效用为 $R_0 = 10 \times (3/5) = 6$。最大接收方效用为 $R_{\max} = 10 \times (7/10) = 7$。比率为 $(3(2)+1)/(2(2)+2) = 7/6 \approx 1.16667$。
  • 对于 $m = 3$:基础集合有 $7$ 个状态,带有 $\binom{7}{3} = 35$ 个坐标。先验边际概率为 $p_S = 3/7$。先验效用为 $R_0 = 35 \times (4/7) = 20$。最大接收方效用为 $R_{\max} = 35 \times (10/14) = 25$。比率为 $(3(3)+1)/(2(3)+2) = 10/8 = 5/4 = 1.25$。
  • 对于 $m = 4$:基础集合有 $9$ 个状态,带有 $\binom{9}{4} = 126$ 个坐标。先验边际概率为 $p_S = 4/9$。先验效用为 $R_0 = 126 \times (5/9) = 70$。最大接收方效用为 $R_{\max} = 126 \times (13/18) = 91$。比率为 $(3(4)+1)/(2(4)+2) = 13/10 = 1.30$。

我们注意到 $13/10 = 1.30 > 39/31 \approx 1.25806$,严格超过了 arXiv:2606.22226 定理 4.15 中由六比特先验所确立的下界比率。

引理 3(persuasion_receiver_ratio_sharp)。对于每个实数 $c < 3/2$,存在一个整数 $m \ge 1$ 使得切片先验 $\mu_m$ 满足 is_bit_prior $\mu_m$ 且: $$c \cdot \text{persuasion_prior_utility } \mu_m < \text{persuasion_max_receiver_utility } \mu_m.$$

证明。设 $c < 3/2$。则差值 $\delta = 3/2 - c$ 严格为正。根据实数的阿基米德性质(Archimedean property),存在一个整数 $m \ge 1$ 使得: $$\frac{1}{m+1} < \frac{3}{2} - c.$$ 两边减去 $(3/2 - c)$ 并加上 $1/(m+1)$ 得到: $$c < \frac{3}{2} - \frac{1}{m+1}.$$ 根据引理 2(persuasion_slice_ratio),切片先验 $\mu_m$ 满足: $$\frac{\text{persuasion_max_receiver_utility } \mu_m}{\text{persuasion_prior_utility } \mu_m} = \frac{3m+1}{2m+2} = \frac{3}{2} - \frac{1}{m+1}.$$ 由于 $\text{persuasion_prior_utility } \mu_m > 0$,将不等式 $c < 3/2 - 1/(m+1)$ 两边同乘先验效用即可得出: $$c \cdot \text{persuasion_prior_utility } \mu_m < \text{persuasion_max_receiver_utility } \mu_m.$$ 这完成了引理 3 的证明。

现在我们结合这些引理来完成 persuasion_receiver_ratio_optimal_constant 的形式化证明。

定理(persuasion_receiver_ratio_optimal_constant)的证明。 我们旨在确立 $3/2$ 是集合: $$S = \left\{ c \in \mathbb{R} \;\middle|\; \forall (\iota : \text{Type}) [\text{Fintype } \iota] [\text{DecidableEq } \iota] (\mu : (\iota \to \text{Bool}) \to \mathbb{R}), \text{is_bit_prior } \mu \to R_{\max}(\mu) \le c R_0(\mu) \right\}.$$ 的最小元。 在 Lean 中,IsLeast $S$ $(3/2)$ 分解为两个目标:证明 $3/2 \in S$,以及证明对所有 $c \in S$ 均有 $3/2 \le c$。

证明首先通过应用 refine 提供一个二元组: 1. 可行性:为了证明 $3/2 \in S$,设 $\iota$ 为带有可判定相等性的有限类型,并设 $\mu$ 为满足 is_bit_prior 对 $\mu$ 成立之后提假设的先验。应用引理 1(persuasion_max_receiver_utility_le)得出: $$\text{persuasion_max_receiver_utility } \mu \le \frac{3}{2} \cdot \text{persuasion_prior_utility } \mu.$$ 这确立了 $3/2 \in S$。

2. 最小性:设 $c \in \mathbb{R}$ 满足 $c \in S$ 的假设,从而对满足 is_bit_prior $\mu$ 的所有类型 $\iota$ 和先验 $\mu$,均有 $R_{\max}(\mu) \le c R_0(\mu)$。我们必须证明 $3/2 \le c$。

我们通过反证法进行。假设 $\neg (3/2 \le c)$,下推否定得到 $c < 3/2$。

由 $c < 3/2$,引理 3(persuasion_receiver_ratio_sharp)给出一个整数 $m \ge 1$、切片先验 $\mu_m$ 满足 is_bit_prior $\mu_m$ 的事实,以及严格不等式: $$c \cdot \text{persuasion_prior_utility } \mu_m < \text{persuasion_max_receiver_utility } \mu_m.$$

另一方面,将 $c \in S$ 的全称假设特化到 $\mu_m$ 的坐标类型及先验 $\mu_m$ 本身,便给出了非严格不等式: $$\text{persuasion_max_receiver_utility } \mu_m \le c \cdot \text{persuasion_prior_utility } \mu_m.$$ 该非严格不等式与从引理 3 获得的严格不等式相矛盾。在 Lean 中,该矛盾通过 absurd 闭合,从而完成了 persuasion_receiver_ratio_optimal_constant 的证明。

5. 讨论

定理 persuasion_receiver_ratio_optimal_constant 完全解决了 arXiv:2606.22226 第 5 节中提出的关于发送方最优说服下接收方效用精确普适常数的开放问题。

在该结果之前,人们的认知状态表现为 arXiv:2606.22226 中两个结果之间的差距:

  1. 定理 4.5 确立的上界 $R_{\max}(\mu) \le \frac{3}{2} R_0(\mu)$。
  2. 定理 4.15 表明任何普适常数必须超过 $5/4$ 的下界,由一个达到比率 $39/31 \approx 1.25806$ 的六比特先验分布所支持。

目前的结果表明,定理 4.5 中证明的上界 $3/2$ 并非分析中松散近似或中间不等式导致的产物,而是跨所有有限先验分布的精确最小上界。

该结果的一个显著特征是上确界的性质。常数 $3/2$ 并未被任何单个有限先验分布 $\mu$ 达到。对于任意有限整数参数 $m \ge 1$,切片先验 $\mu_m$ 达到的比率为: $$\frac{3m+1}{2m+2} = \frac{3}{2} - \frac{1}{m+1} < \frac{3}{2}.$$ 由于该比率随 $m$ 严格递增并在极限下趋近于 $3/2$,因此有限布尔超立方体上跨所有先验的 $R_{\max}(\mu) / R_0(\mu)$ 上确界为 $3/2$,但该上确界在任何有限状态空间上都无法作为最大值实现。

此外,切片先验序列的组合结构突出了维度在达到极值比率中的作用。在切片先验构造中,坐标集由 $(2m+1)$ 元基础集合的所有 $m$ 元子集组成。随着 $m$ 的增加:

  • 当 $m = 1$ 时,比率为 $1$,位于具有 3 个坐标的超立方体上。
  • 当 $m = 2$ 时,比率为 $7/6 \approx 1.16667$,位于 10 个坐标上。
  • 当 $m = 3$ 时,比率为 $5/4 = 1.25$,位于 35 个坐标上。
  • 当 $m = 4$ 时,比率为 $13/10 = 1.30$,位于 126 个坐标上。

要逼近到与 $3/2$ 相差 $\epsilon$ 以内,需要 $m \ge \lceil 1/\epsilon \rceil - 1$,这意味着坐标数 $\binom{2m+1}{m}$ 随 $1/\epsilon$ 指数级增长。

该结果未涵盖的是在先验的结构约束下接收方效用比率的行为。该定理确立了在所有有限坐标类型和比特先验的无约束类别上的最小常数。当维度 $|\iota|$ 被限制为较小的固定比特数时,或者当先验满足结构独立性或对称性质时,可达到的比率可能会严格远离 $3/2$。除 arXiv:2606.22226 第 5 节中对该普适常数的锐化之外,资料中未提及进一步的开放问题。

为什么是研究级成果

  • settles OP-56 (Optimal receiver-utility constant in bit-string persuasion)

Lean 声明

Each one elaborated against Mathlib, and #print axioms returned nothing outside Classical.choice · Quot.sound · propext.

参考文献

  1. arXiv:2606.22226 — Quantifying Theoretical AI Alignment Guarantees: Receiver-Utility Bounds in Bayesian Persuasion

由 gemini-3.8-flash 根据知识库起草,经过检查并由 Claude Code 审阅英文版;中文版由模型翻译并对照英文检查。只有 Lean 部分经过验证,文字是对它的解读。