[논문 리뷰] Asynchronous Opinion Dynamics in Social Networks

Petra Berenbrink, Martin Hoefer외 4명|arXiv (Cornell University)|2022. 01. 30.

Opinion Dynamics and Social Influence인용 수 4

한 줄 요약

이 논문은 사회적 네트워크에서 이론적 협의 동역학을 헤그젤만-크라우제 모델을 사용하여 분석하며, 유사한 견해를 가진 이웃의 영향을 받아 의견을 갱신하는 에이전트들을 다룹니다. 임의의 사회적 네트워크에 대해 δ-안정 상태로 수렴하는 데 O(n|E|²(ε/δ)²)의 기대 업데이트 수를 보이며, 이는 이전의 경계보다 크게 향상되었고, 경로 및 덤벨 그래프에서의 시뮬레이션을 통해 그 타당성이 입증되었습니다.

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.

연구 동기 및 목표

• 헤그젤만-크라우제 모델 하에서 이론적 협의 동역학의 수렴 행동을 분석하는 것.
• 임의의 사회적 네트워크 구조에 대해 수렴 시간에 대한 증명 가능한 날카로운 상한 경계를 설정하는 것.
• 이 설정에서 이론적 비동기적 업데이트에 대해 처음으로 비자명한 이론적 하한 경계를 제공하는 것.
• 경로 및 덤벨 그래프와 같은 구조적 네트워크에서 에이전트 기반 시뮬레이션을 통해 이론적 결과를 검증하는 것.
• 이전 연구가 완전 그래프에 국한되어 있었음을 고려해 일반적인 네트워크 구조를 분석하는 것.

제안 방법

• 저자들은 각 에이전트가 신뢰 범위 ε 내의 이웃의 평균 의견으로 자신의 의견을 갱신하는 잠재력 함수 기반 프로세스로 의견 동역학을 모델링합니다.
• 시스템의 진행 상황을 추적하기 위해 잠재력 함수 Φ(S) = 1/2 ∑_{i,j} w_ij (x_i - x_j)² 를 사용하며, 여기서 w_ij = 1 이면 |x_i - x_j| ≤ ε 이고, 그렇지 않으면 0 입니다.
• 무작위로 선택된 에이전트의 활성화와 δ-안정 조건을 활용하여, 각 업데이트에서 잠재력이 감소할 기대치를 경계합니다.
• δ-안정 상태에 도달하기까지의 기대 업데이트 수에 대해 O(n|E|²(ε/δ)²)의 상한 경계를 유도합니다.
• 경로 및 덤벨 그래프에서의 시뮬레이션을 통해 이론적 경계를 검증하였으며, 수렴 시간이 각각 Θ(n³)과 Θ(n⁴)의 비율로 증가하는 것으로 나타났습니다.
• 이 방법은 확률적 분석과 사회적 네트워크의 구조적 성질을 조합하여 수렴 속도를 경계합니다.

실험 결과

연구 질문

• RQ1 헤그젤만-크라우제 모델에서 비동기적 의견 동역학은 임의의 사회적 네트워크에 대해 δ-안정 상태로 수렴하는가?
• RQ2 일반적인 사회적 네트워크에서 비동기 업데이트의 기대 수렴 시간은 얼마이며, 네트워크 크기와 구조에 따라 어떻게 변화하는가?
• RQ3 특정 네트워크 구조에서 이론적 상한 경계가 점 渐진적으로 타당한지 입증할 수 있는가?
• RQ4 경로와 같은 구조적 네트워크와 덤벨 그래프와 같은 더 복잡한 구조적 네트워크 간의 수렴 행동은 어떻게 다를까?
• RQ5 비동기 업데이트 모델에서 수렴 시간에 대해 첫 번째 비자명한 하한 경계는 무엇인가?

주요 결과

• 논문은 임의의 사회적 네트워크에 대해 δ-안정 상태로 수렴하는 데 기대 업데이트 수에 대해 O(n|E|²(ε/δ)²)의 상한 경계를 확립합니다.
• 완전 그래프의 경우 이 경계는 O(n³(n² + (ε/δ)²))로 개선되며, 이는 이전의 O(n⁹(ε/δ)²) 경계에 비해 크게 향상된 것입니다.
• 경로 그래프에서의 시뮬레이션은 수렴 시간이 Θ(n³) 비율로 증가함을 보여주며, 이는 이론적 상한 경계와 일치합니다.
• 덤벨 그래프에서의 시뮬레이션은 수렴 시간이 Θ(n⁴) 비율로 증가함을 나타내어, 이 경우 상한 경계가 타당하다는 것을 시사합니다.
• 이 연구는 비동기적 의견 동역학에 대해 처음으로 증명된 비자명한 하한 경계를 제공하며, 이론적 상한 경계의 타당성을 뒷받침합니다.