[论文解读] Aggregative Efficiency of Bayesian Learning in Networks

Krishna Dasaratha, Kevin He|arXiv (Cornell University)|Nov 22, 2019

Game Theory and Applications被引用 5

一句话总结

本文研究了在网络结构影响下，具有高斯私有信号的顺序设定中贝叶斯社会学习的效率。它识别出‘信息混淆’——即参与者观察到相关联的邻居但未看到共同的前驱——作为主要障碍，表明即使轻微的混淆也会导致近乎完全的信息损失，并推导出一个聚合效率指数，量化了学习效率作为观测值和混淆程度的函数。

ABSTRACT

When individuals in a social network learn about an unknown state from private signals and neighbors' actions, the network structure often causes information loss. We consider rational agents and Gaussian signals in the canonical sequential social-learning problem and ask how the network changes the efficiency of signal aggregation. Rational actions in our model are log-linear functions of observations and admit a signal-counting interpretation of accuracy. Networks where agents observe multiple neighbors but not their common predecessors confound information, and even a small amount of confounding can lead to much lower accuracy. In a class of networks where agents move in generations and observe the previous generations, we quantify the information loss with an aggregative efficiency index. Aggregative efficiency is a simple function of network parameters: increasing in observations and decreasing in confounding. Later generations contribute little additional information, even when generations are arbitrarily large and agents observe arbitrarily far into the past.

研究动机与目标

• 理解社会网络拓扑如何影响顺序贝叶斯社会学习中信号聚合的效率。
• 隔离并量化‘信息混淆’——即参与者观察到相关联的邻居但未看到共同前驱——对学习效率的影响。
• 开发一个可处理且可解释的聚合效率度量，捕捉长期信念中纳入的可用私有信号的比例。
• 提供关于网络参数（如观测数和混淆程度）如何影响学习速度和福利的比较静态分析。

提出的方法

• 建立具有理性参与者、在高斯私有信号下使用贝叶斯推断更新信念的顺序社会学习模型。
• 将理性策略表征为观测值的对数线性函数，从而为信念准确性提供一种信号计数解释。
• 引入一个聚合效率指数，用于衡量长期信念中纳入的私有信号的渐近比例。
• 分析一类对称的、代际网络，其中参与者仅观察前代，从而为效率提供闭式表达式。
• 使用信号提取技术计算参与者的准确性，并将观测值和混淆对学习表现的影响进行分解。
• 推导出比较静态结果，表明效率随观测数增加而提高，但随混淆程度增加而下降。

实验结果

研究问题

• RQ1 网络结构如何影响顺序贝叶斯社会学习中信息聚合的速度和效率？
• RQ2 ‘信息混淆’——即参与者观察到相关联的邻居但未看到共同前驱——在多大程度上阻碍学习？
• RQ3 能否使用一个简单且可解释的度量来量化不同网络拓扑下的信号聚合效率？
• RQ4 观测数和混淆程度如何共同影响社会学习的长期准确性？
• RQ5 在代际网络中，即使代际规模任意大，学习效率是否仍会趋于平台化？

主要发现

• 即使是最小程度的混淆——即参与者观察到受共同前驱影响的邻居，但无法观察到该前驱——也会在贝叶斯学习中导致任意大的信息损失。
• 在代际网络中，社会学习在渐近意义上每代最多仅能聚合两个信号，与代际规模无关。
• 聚合效率是混淆程度的递减函数，是观测数的递增函数，提供了精确的比较静态分析框架。
• 聚合效率指数在分析上是可处理的，且仅依赖于网络参数：观测数和混淆水平。
• 在混淆网络中的理性参与者面临信号提取问题，导致对共享私有信息的过度加权，从而降低准确性。
• 尽管在满足温和连通性条件的所有网络中最终都能实现完全学习，但学习速率因混淆而显著不同，凸显了除网络拓扑本身之外的另一个关键低效来源。