[論文レビュー] Strategic Learning and the Topology of Social Networks

Elchanan Mossel, Allan Sly+1 more|RePEc: Research Papers in Economics|Sep 25, 2012

Game Theory and Applications被引用数 6

ひとこと要約

本稿は、私的信号と隣人による行動に基づいて繰り返し二つの行動の間を選択するエージェントが関与する社会的ネットワークにおける戦略的学習を研究する。本稿は、ネットワークのトポロジーに「均等性（egalitarianism）」と呼ばれる幾何的条件を導入する——入次数が有界であり、逆方向に短いバックパスが存在する——そして、このようなネットワーク上では、大規模な有限ネットワークでは高い確率で、無限ネットワークでは必ずや正しい行動に到達することを証明する。均衡の種類にかかわらず成り立つ。非均等性を持つネットワークでは学習に失敗する可能性がある。

ABSTRACT

We consider a group of strategic agents who must each repeatedly take one of two possible actions. They learn which of the two actions is preferable from initial private signals, and by observing the actions of their neighbors in a social network. We show that the question of whether or not the agents learn efficiently depends on the topology of the social network. In particular, we identify a geometric "egalitarianism" condition on the social network that guarantees learning in infinite networks, or learning with high probability in large finite networks, in any equilibrium. We also give examples of non-egalitarian networks with equilibria in which learning fails.

研究の動機と目的

• 社会的ネットワークのトポロジーが、戦略的学習の文脈における情報集約の効率に与える影響を調査すること。
• エージェントが隣人の行動を繰り返し観察することで正しい行動を学習できるようなトポロジー的条件を同定すること。
• 戦略的行動の役割を分析し、ヒューリスティック的または制限付き合理的なモデルと対比すること。
• 特定の非均等性を持つネットワークトポロジーでは、均衡状態であっても学習が失敗することを示すこと。
• 高い計算コストを伴うが、合理的かつ完全に情報が得られたエージェントを仮定するベンチマークモデルを提供すること。

提案手法

• 不完全情報付きの繰り返し割引ゲームをモデル化し、エージェントが私的信号と隣人の過去の行動に基づいて行動を選択する。
• 各ノードの出次数が最大で d であり、かつ任意の隣人が逆方向に L ステップ以内で到達可能である場合、そのネットワークを (d,L)-均等性を持つと定義する。
• ベイズ更新を用いて、自然の状態に関するエージェントの信念をモデル化し、無差別性を避けるために私的信号に非原子的分布を仮定する。
• 標準的な結果から示唆されない独自の議論（定理 D.5）を用いて、モデルにおけるナッシュ均衡の存在を証明する。
• 強制的移動の議論を用いて均衡行動を分析し、信念の集中度に一定の条件が満たされると、エージェントが短期的行動を取らざるを得ないことを示す。
• 非均等性を持つネットワーク上に、弱い信号でさえも学習が非消滅確率で失敗する明示的反例を構築する。

実験結果

リサーチクエスチョン

• RQ1 社会的ネットワークのどのトポロジー的条件下で、戦略的エージェントは均衡状態において正しい行動を学習するのか？
• RQ2 エージェントが合理的かつ完全に情報を持っているにもかかわらず、ネットワーク構造のため、均衡状態であっても学習が失敗することはあり得るか？
• RQ3 情報外部性の存在が、戦略的ソーシャルネットワークにおける学習効率にどのように影響するか？
• RQ4 情報フローの幾何的性質——特に逆方向への到達可能性とインデグリー——が、学習を促進するか阻害するかに果たす役割は何か？
• RQ5 合理性と完全なネットワーク知識を仮定するモデルが、信号強度にかかわらず学習保証をもたらすのか？

主な発見

• 連結な (d,L)-均等性ネットワーク上では、無限ネットワークでは任意のナッシュ均衡で確率1で正しい行動に到達し、大規模な有限ネットワークでは高い確率で到達する。
• この結果は、弱い情報を含む私的信号に対しても成り立ち、逐次学習モデルとは異なり、無限大の尤度比を要件としない。
• 非均等性を持つネットワークでは、ネットワークサイズが増大しても非消滅確率で学習が失敗する均衡が存在する。
• 証明は、私的信号に滑らかさの条件（非原子的信念分布）を課すことにより成立し、これによりエージェントが無差別にならなくなる。この条件が満たされない場合、学習は妨げられる可能性がある。
• モデルは、合理的かつ完全に合理的なエージェントが、ネットワークトポロジーが均等性条件を満たす場合、効率的な情報集約を達成できることを示している。
• 本稿は、長時間のフィードバックループを持つ階層的ネットワークなどの明示的反例を構築し、エージェントが学習に失敗することを示しており、トポロジーが学習効率に決定的要因であることを実証している。