Consider a sub-population of rebels that wish to initiate a revolution. In order to avoid initializing a failed revolution, rebels would first strive to estimate their relative "power", which is often correlated with their fraction in the population. However, and especially in non-democratic countries, rebels refrain from disclosing themselves. This poses a significant challenge for rebels: estimating their fraction in the population while minimizing the risk of being identified as rebels. This paper introduces a distributed computing framework aiming to study this question. Our main takeaway message is that the communication pattern has a crucial role in achieving such a task. Specifically, we show that relying on the inherent noise in the communication, "public communication", characterized by the fact that each message announced by an individual can be viewed by all its neighbors, allows rebels to estimate their fraction in the population while keeping a negligible risk of each rebel being identified as such. The suggested estimation protocol, inspired by historical events, is extremely simple and can be executed covertly even under extreme conditions of surveillance. Conversely, we show that under peer-to-peer communication, protocols of similar simplicity are either inefficient or non-covert.


翻译:考虑想要发动革命的反叛分子的亚群。 为避免爆发失败的革命,反叛分子将首先努力估计其相对的“力量 ”, 而这往往与人口中的分数相关。然而,特别是在非民主国家,反叛分子不披露自己。这给反叛分子带来了重大挑战:估计其在人口中的分数,同时尽量减少被确定为叛乱分子的风险。本文提出了一个分散的计算框架,旨在研究这一问题。我们的主要传递信息是,通信模式在完成这项任务中起着关键作用。具体地说,我们表明,依靠通信中固有的噪音,即“公共通信 ”, 其特征是,个人宣布的每条信息都可以被其所有邻居看到,使反叛分子能够估计其在人口中的分数,同时将每个被确定为反叛者的风险微乎其微。建议的估算协议受到历史事件的启发,非常简单,甚至可以在极端监视条件下秘密执行。相反,我们表明,在同行通信中,类似简单易懂的规程要么效率低下,要么是非隐蔽的。

0
下载
关闭预览

相关内容

《行为与认知机器人学》,241页pdf
专知会员服务
54+阅读 · 2021年4月11日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
79+阅读 · 2020年7月26日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
60+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
78+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
94+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
104+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
277+阅读 · 2019年10月9日
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
计算机 | IUI 2020等国际会议信息4条
Call4Papers
6+阅读 · 2019年6月17日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
Arxiv
0+阅读 · 2021年6月30日
Arxiv
6+阅读 · 2020年12月8日
VIP会员
相关VIP内容
《行为与认知机器人学》,241页pdf
专知会员服务
54+阅读 · 2021年4月11日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
79+阅读 · 2020年7月26日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
60+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
78+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
94+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
104+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
277+阅读 · 2019年10月9日
相关资讯
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
计算机 | IUI 2020等国际会议信息4条
Call4Papers
6+阅读 · 2019年6月17日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
Top
微信扫码咨询专知VIP会员