[논문 리뷰] Opinion Dynamics with Hopfield Neural Networks

Dietrich Stauffer, Przemyslaw A. Grabowicz외 1명|ArXiv.org|2007. 12. 28.

Neural Networks and Applications참고 문헌 1인용 수 4

한 줄 요약

이 논문은 이방성 히프필드 신경망을 사용하여 의견 동적을 모델링하며, 개인들(네트워크들)이 확률 $ p $로 상호 영향을 미치며 사회적 설득을 시뮬레이션한다. 높은 상호작용 확률 $ p \approx 1 $일 경우 두 개의 저장된 의견 중 하나로 공감대가 형성되지만, 중간 수준의 $ p $는 결정적 불확실성을 초래하고, 낮은 $ p $는 소수의 개인에서 특히 랜덤한 합의를 가능하게 한다.

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.

연구 동기 및 목표

• 이중 의견을 가진 신경망에서 사회적 의견 형성을 인지적 과정으로 모델링하기.
• 사람 간 영향력이 랜덤한 의견 복사로 모델링될 경우, 다중 에이전트 시스템에서 공감대 형성에 어떤 영향을 미치는지 조사하기.
• 충돌하는 저장된 의견이 존재할 때 그룹이 합의에 도달하거나 여전히 결정적 불확실성을 유지하는 조건을 규명하기.
• 작은 상호작용 핵심 그룹이 더 큰 그룹으로 공감대를 이끌어내는 데서 수행하는 역할 분석하기.

제안 방법

• 결합된 히프필드 네트워크는 히브의 규칙 $ J_{iI} = \sum_\mu \xi_i^\mu \xi_I^\mu $를 통해 두 개의 무작위 이진 패턴($ \xi_i^\mu $)을 저장한다.
• 각 네트워크는 표준 히프필드 업데이트 규칙 $ S_i = \text{sign}(\sum_I J_{iI} S_I) $를 사용하여 진화하지만, 확률 $ p $로 각 뉴런은 무작위로 선택된 다른 네트워크의 값을 차용한다.
• 시스템은 사회적 영향을 시뮬레이션한다: 개인들은 다른 사람들의 상태에 따라 자신의 의견을 갱신하며, 설득이나 동료 압력과 유사하다.
• 공감대는 오버랩 $ \sum_i S_i \xi_i^2 $로 측정되며, 합의는 $ a \geq 0.75 $로 정의되며, 여기서 $ a $는 정확한 패턴 매칭 비율이다.
• 시뮬레이션은 최대 $ 10^8 $개의 뉴런을 $ L \times L $ 격자에서 수행하며, $ k = 2, 4, 15, 101 $명의 에이전트와 최대 1000회의 반복을 사용한다.
• 핵심 그룹 3명 또는 21명은 상호작용을 하며, 나머지 에이전트들은 비상호작용 상태로 유지되어 영향력 동역학을 연구한다.

실험 결과

연구 질문

• RQ1 결합된 히프필드 네트워크 모델에서 두 개의 저장된 의견 중 하나로 그룹이 언제 공감대를 이룬다?
• RQ2 에이전트 간 의견 복사 확률 $ p $가 공감대 또는 결정적 불확실성의 가능성에 어떤 영향을 미치는가?
• RQ3 작고 유기적으로 상호작용하는 핵심 그룹이 그룹 의사결정 결과에 어떤 역할을 하는가?
• RQ4 왜 중간 수준의 $ p $는 높거나 낮은 $ p $보다 공감대가 감소하는가? 그 배경 메커니즘은 무엇인가?
• RQ5 그룹 크기 $ k $와 패턴 차원 $ L $는 무작위 합의와 비무작위 합의의 발생에 어떤 영향을 미치는가?

주요 결과

• $ k=2 $, $ L=100 $, $ p \geq 0.97 $일 경우, 1000개의 시뮬레이션 샘플 전부에서 공감대가 달성되어 고상호작용 비율에서 거의 확실한 수렴이 이루어짐을 나타낸다.
• 중간 수준의 $ p $에서는 공감대 빈도가 크게 감소하여, 지속적인 상호영향력이 수렴을 방해할 수 있음을 시사한다.
• $ k=2 $, $ L=100 $, $ p=0.97 $일 경우, 100회의 반복 후 승리 의견과의 오버랩이 $ -95 $만에 도달하여 한 저장 패턴과 강한 일치를 보임을 나타낸다.
• $ k=101 $일 경우, 큰 그룹 크기로 인해 랜덤 합의가 불가능했고, 공감대 도달는 높은 $ p $에서만 가능했으며, 이는 더 큰 그룹은 합의를 이루기 위해 더 강한 영향력이 필요함을 확인한다.
• 핵심 그룹 3명 또는 21명이 상호작용할 경우, 고 $ p $에서는 승리(핵심 그룹 다수 의견이 전체 다수 의견과 일치)가 거의 확실하게 이루어졌지만, 중간 $ p $에서는 핵심 그룹 구성원들이 자주 수렴하지 못함을 확인했다.
• 비무작위 합의의 임계점은 $ p_c = 1/3 $로 발견되었으며, $ a_c = 0.75 $일 때 $ p = (1-a)/a $에서 유도되었으며, 이는 더 높은 합의 임계점은 랜덤 공감대를 피하기 위해 낮은 상호작용 확률이 필요함을 시사한다.