[論文レビュー] Opinion Dynamics with Hopfield Neural Networks

Dietrich Stauffer, Przemyslaw A. Grabowicz+1 more|ArXiv.org|Dec 28, 2007

Neural Networks and Applications参考文献 1被引用数 4

ひとこと要約

この論文は、確率 $ p $ で相互に影響を及ぼす個々の（ネットワークとしての）人々を用いて、意見の動的変化をカップルド・ホフダイフニューラルネットワークでモデル化している。高確率 $ p \approx 1 $ の場合、2つの保存された意見のうちの1つに合意に至るが、中程度の $ p $ では判断不能になり、低 $ p $ の場合、特に少数の人物ではランダムな合意が可能になる。

ABSTRACT

In Hopfield neural networks with up to 10^8 nodes we store two patterns through Hebb couplings. Then we start with a third random pattern which is supposed to evolve into one of the two stored patterns, simulating the cognitive process of associative memory leading to one of two possible opinions. With probability p each neuron independently, instead of following the Hopfield rule, takes over the corresponding value of another network, thus simulating how different people can convince each other. A consensus is achieved for high p.

研究の動機と目的

• 2値の意見を持つ神経ネットワークとしての認知的プロセスとしての社会的意見形成をモデル化すること。
• ランダムな意見の複写としてモデル化される人間関係的影響が、マルチエージェントシステムにおける合意形成に与える影響を調査すること。
• 対立する2つの保存された意見が存在する状況で、グループがいつ合意に至るか、あるいは判断不能にとどまるかの条件を特定すること。
• 小さな、密接に相互作用するコアが、より大きなグループを合意へと導く役割を果たすメカニズムを分析すること。

提案手法

• カップルド・ホフダイフネットワークは、ヘブシアン則 $ J_{iI} = \sum_\mu \xi_i^\mu \xi_I^\mu $ を用いて2つのランダムな2値パターン（$ \xi_i^\mu $）を記憶する。
• 各ネットワークは、標準的なホフダイフ更新則 $ S_i = \text{sign}(\sum_I J_{iI} S_I) $ に従って進化するが、確率 $ p $ で、各ニューロンはランダムに選ばれた他のネットワークの値を採用する。
• システムは社会的影響を模倣する：人々は他の者の状態に基づいて意見を更新し、説得や同調圧力を再現する。
• 合意は重なり $ \sum_i S_i \xi_i^2 $ で測定され、合意は $ a \geq 0.75 $ と定義される。ここで $ a $ は正しいパターン一致の割合である。
• シミュレーションでは、$ L \times L $ 格子上に最大 $ 10^8 $ 個のニューロンを用い、$ k = 2, 4, 15, 101 $ 個のエージェントと最大1000回の反復を実行した。
• コアグループ（3人または21人）は互いに相互作用する一方、他のメンバーは非相互作用状態とし、影響力のダイナミクスを調査した。

実験結果

リサーチクエスチョン

• RQ1 カップルド・ホフダイフネットワークモデルにおいて、2つの保存された意見のうちの1つに、エージェントのグループがいつ合意に至るか。
• RQ2 エージェント間の意見複写確率 $ p $ が、合意または判断不能の確率に与える影響は何か。
• RQ3 小さな、密接に相互作用するコアが、グループ意思決定の結果に果たす役割は何か。
• RQ4 なぜ中程度の $ p $ では、低 $ p $ や高 $ p $ よりも合意が減少するのか。その背後にあるメカニズムは何か。
• RQ5 グループのサイズ $ k $ とパターン次元 $ L $ が、ランダムな合意と非ランダムな合意の出現に与える影響は何か。

主な発見

• $ k=2 $、$ L=100 $、$ p \geq 0.97 $ の場合、1000回のシミュレーションすべてで合意が達成され、高相互作用率ではほぼ確実に収束することが示された。
• 中程度の $ p $ の場合、合意の頻度が著しく低下し、継続的な相互影響が収束を妨げる可能性があることが示された。
• $ k=2 $、$ L=100 $、$ p=0.97 $ の場合、100回の反復後に勝利意見との重なりが $ -95 $ 百万に達し、1つの保存パターンと強く一致していることが示された。
• $ k=101 $ の場合、大きなグループサイズのためランダムな合意は不可能であり、合意に至るのは高 $ p $ のみであった。これは、大きなグループでは強い影響力が必要であることを確認した。
• 3人または21人のコアが互いに相互作用する場合、高 $ p $ では勝利（コアの過半数が全体の過半数と一致）がほぼ確実であったが、中程度の $ p $ ではコアメンバーがしばしば収束しなかった。
• 非ランダムな合意の閾値は、$ a_c = 0.75 $ のとき $ p_c = 1/3 $ であった。これは $ p = (1-a)/a $ から導かれたもので、より高い合意閾値では、ランダムな合意を避けるために低い相互作用確率を必要とするという意味である。