认知女巫抵抗：在不增加证据的情况下增加人工智能代理

arXiv:2609.01873v1 公告类型：新 摘要：多智能体人工智能系统通过生成智能体和综合报告来改进推理。但另一个代理人并不是另一个观察结果：表面上独立的报告可能来自相同的证据，而真正独立的证据可以产生几乎相同的报告。我们将其形式化为认知 Sybil 问题。当 I(Theta; Z | R) = 0 时，报告 Z 是相对于报告 R 的认知 Sybil 扩展。仅报告聚合器通常无法区分复制与独立证实：相同的报告可以在未观察到的祖先下保证不同的后验。高斯共享根模型表明共同祖先并不意味着完全冗余。重复提取将信息添加到源级别上限，而共享基础模型可能在独立代理之间引发的相关提取错误进一步降低了该上限。我们使用 20,000 多个受控 LLM 代理报告和对合成证据文件的提取调用来测试这些预测。固定一个证据根，同时报告多重性从 1 上升到 32，朴素后验覆盖率从 0.940 下降到 0.263。保持报告计数固定，同时证据根多重性从 1 上升到 16，缩小了差距，并且聚合器在 k = 16 时在统计上无法区分。代理的重复提取错误是相关的（gamma_cal = 0.719，样本外估计），并且相关提取聚合器相应地恢复校准。受控操作将表征相似性与证据祖先隔离开来。它将报告空间重复数据删除机制的平均推断簇计数改变了 1.425 (95% CI [1.363, 1.485])，而真实祖先的四倍变化仅改变了 0.040 ([-0.045, 0.120])。因此，集体推理应该追踪证据的祖先和依赖性，而不是代理或报告的多重性或相似性。