[論文レビュー] Asynchronous Opinion Dynamics in Social Networks

Petra Berenbrink, Martin Hoefer+4 more|arXiv (Cornell University)|Jan 30, 2022

Opinion Dynamics and Social Influence被引用数 4

ひとこと要約

この論文は、類似した見解を持つ隣接エージェントに基づいて意見を更新するヘーゲルマン＝クラウゼモデルを用いて、社会的ネットワークにおける非同期的意見動態を分析する。任意の社会的ネットワークに対して、δ-安定状態への収束がO(n|E|²(ε/δ)²)の期待更新回数で達成されることを証明し、先行研究の境界を著しく改善するとともに、パスおよびダムベルグラフにおけるシミュレーションを通じてそのタイトネスを確認する。

ABSTRACT

Opinion spreading in a society decides the fate of elections, the success of products, and the impact of political or social movements. The model by Hegselmann and Krause is a well-known theoretical model to study such opinion formation processes in social networks. In contrast to many other theoretical models, it does not converge towards a situation where all agents agree on the same opinion. Instead, it assumes that people find an opinion reasonable if and only if it is close to their own. The system converges towards a stable situation where agents sharing the same opinion form a cluster, and agents in different clusters do not \mbox{influence each other.} We focus on the social variant of the Hegselmann-Krause model where agents are connected by a social network and their opinions evolve in an iterative process. When activated, an agent adopts the average of the opinions of its neighbors having a similar opinion. By this, the set of influencing neighbors of an agent may change over time. To the best of our knowledge, social Hegselmann-Krause systems with asynchronous opinion updates have only been studied with the complete graph as social network. We show that such opinion dynamics with random agent activation are guaranteed to converge for any social network. We provide an upper bound of $\mathcal{O}(n|E|^2 (\varepsilon/δ)^2)$ on the expected number of opinion updates until convergence, where $|E|$ is the number of edges of the social network. For the complete social network we show a bound of $\mathcal{O}(n^3(n^2 + (\varepsilon/δ)^2))$ that represents a major improvement over the previously best upper bound of $\mathcal{O}(n^9 (\varepsilon/δ)^2)$. Our bounds are complemented by simulations that indicate asymptotically matching lower bounds.

研究の動機と目的

• ヘーゲルマン＝クラウゼモデル下での非同期的意見動態の収束行動を分析すること。
• 任意の社会的ネットワークトポロジーに対して収束時間の理論的でタイトな上界を確立すること。
• この設定における非同期的意見更新のための、初めての非自明な理論的下界を提供すること。
• パスやダムベルグラフのような構造的ネットワークにおけるエージェントベースのシミュレーションを通じて、理論的知見を検証すること。
• 完全グラフに限られていた先行研究を拡張し、一般のネットワーク構造を分析すること。

提案手法

• 著者たちは、各エージェントが信頼範囲ε内の隣接エージェントの平均に意見を更新するプロセスとして、意見動態をポテンシャル関数に基づくものとしてモデル化する。
• システムの進行を追跡するため、w_ij = 1（|x_i - x_j| ≤ ε の場合）または 0（それ以外の場合）である重みを用いたポテンシャル関数Φ(S) = 1/2 ∑_{i,j} w_ij (x_i - x_j)² を使用する。
• ランダムなエージェントの活性化とδ-安定性条件を活用し、1回の更新におけるポテンシャルの期待減少量を評価する。
• δ-安定状態に到達するまでの期待更新回数に対して、O(n|E|²(ε/δ)²)の上界を導出する。
• パスおよびダムベルグラフにおけるシミュレーションにより理論的境界を検証し、収束時間がそれぞれΘ(n³)およびΘ(n⁴)のスケーリングを示している。
• この手法は、確率的解析と社会的ネットワークの構造的性質を組み合わせ、収束速度の境界を求める。

実験結果

リサーチクエスチョン

• RQ1 ヘーゲルマン＝クラウゼモデルにおける非同期的意見動態は、任意の社会的ネットワークに対してδ-安定状態に収束するか？
• RQ2 一般の社会的ネットワークにおける非同期更新の期待収束時間は何か？ また、ネットワークのサイズと構造にどのように依存するか？
• RQ3 特定のネットワークトポロジーに対して、収束時間の理論的上界が漸近的にタイトであることが示せるか？
• RQ4 パスのような構造的ネットワークと、ダムベルグラフのようなより複雑なトポロジーとの間で、収束行動はどのように異なるか？
• RQ5 非同期更新モデルにおける収束時間の、初めての非自明な下界は何か？

主な発見

• 本論文は、任意の社会的ネットワークに対して、δ-安定状態への収束までの期待更新回数の上界としてO(n|E|²(ε/δ)²)を確立した。
• 完全グラフの場合、上界はO(n³(n² + (ε/δ)²))に改善され、先行研究のO(n⁹(ε/δ)²)の境界に比べて顕著な改善である。
• パスグラフにおけるシミュレーションでは、収束時間がΘ(n³)のスケーリングを示し、理論的上界と一致した。
• ダムベルグラフにおけるシミュレーションでは、収束時間がΘ(n⁴)のスケーリングを示しており、この場合における上界のタイトネスを示唆している。
• 本研究は、非同期的意見動態における初めての証明された非自明な下界を提供し、理論的上界のタイトネスを裏付けた。