[论文解读] Bayesian Heuristics for Group Decisions

M. Amin Rahimian, Ali Jadbabaie|arXiv (Cornell University)|Nov 2, 2016

Decision-Making and Behavioral Economics参考文献 82被引用 5

一句话总结

本文提出一种贝叶斯启发式模型用于群体决策，以简化且重复应用初始贝叶斯更新的方式替代完整的贝叶斯更新，从而实现高效且稳健的共识形成。其关键贡献在于表明：在对称网络中，基于共轭先验与指数族似然的乘法型信念更新可导致对最大似然估计量的共识，而线性行动更新则需满足严格且脆弱的条件才能实现效率。

ABSTRACT

We propose a model of inference and heuristic decision-making in groups that is rooted in the Bayes rule but avoids the complexities of rational inference in partially observed environments with incomplete information, which are characteristic of group interactions. Our model is also consistent with a dual-process psychological theory of thinking: the group members behave rationally at the initiation of their interactions with each other (the slow and deliberative mode); however, in the ensuing decision epochs, they rely on a heuristic that replicates their experiences from the first stage (the fast automatic mode). We specialize this model to a group decision scenario where private observations are received at the beginning, and agents aim to take the best action given the aggregate observations of all group members. We study the implications of the information structure together with the properties of the probability distributions which determine the structure of the so-called "Bayesian heuristics" that the agents follow in our model. We also analyze the group decision outcomes in two classes of linear action updates and log-linear belief updates and show that many inefficiencies arise in group decisions as a result of repeated interactions between individuals, leading to overconfident beliefs as well as choice-shifts toward extremes. Nevertheless, balanced regular structures demonstrate a measure of efficiency in terms of aggregating the initial information of individuals. These results not only verify some well-known insights about group decision-making but also complement these insights by revealing additional mechanistic interpretations for the group declension-process, as well as psychological and cognitive intuitions about the group interaction model.

研究动机与目标

• 通过引入一种模拟初始贝叶斯更新的启发式方法，建模兼顾理性推理与行为现实性的群体决策。
• 识别在群体共识有效聚合信息的条件，尤其关注网络结构与信号质量的关系。
• 比较社会学习情境下线性行动更新（如DeGroot模型）与乘法型信念更新的稳健性。
• 研究网络拓扑与信号异质性如何影响共识效率及群体极化现象的出现。
• 为分布式决策中的非贝叶斯更新规则提供规范性与行为性基础。

提出的方法

• 各主体基于私有信号与先验进行一次贝叶斯更新，随后在后续时间步重复应用同一更新规则——定义为贝叶斯启发式。
• 对于具有共轭先验的指数族分布，该启发式根据先验信息量的多少，诱导出仿射或线性行动更新。
• 该模型推导出线性行动更新构成凸组合（如DeGroot模型）的条件，要求各主体的观测精度保持平衡。
• 在信念更新模型中，主体通过对数线性规则进行乘法型信念更新：信念 ∝ 自身与邻居信念的乘积。
• 利用更新矩阵 (I + A) 的谱分析研究收敛性，Perron-Frobenius 特征向量决定共识的支持。
• 通过共识信念的支持分析效率，其收敛于加权对数似然和的最大化点。

实验结果

研究问题

• RQ1 在何种条件下，贝叶斯启发式可导致群体决策中的高效共识？
• RQ2 网络拓扑结构（如度正则、平衡结构）如何影响共识形成的效率与准确性？
• RQ3 为何DeGroot模型中的线性行动更新需在信号精度与网络结构上满足刀刃般精确的条件？
• RQ4 在何种意义上，乘法型信念更新为社会学习中的线性更新提供了更稳健的替代方案？
• RQ5 主体在多大程度上系统性地排斥低概率状态，这对群体极化有何影响？

主要发现

• 在度正则与平衡网络中，共识信念集中于真实状态的最大似然估计量（MLE），实现信息效率。
• 仅当所有主体具有相等的观测精度时，线性行动更新才构成凸组合——即确保共识效率——这一假设条件强烈且脆弱。
• 乘法型信念更新为无权重形式，有效内化了私有信号与先验的异质性，因此比线性模型更具稳健性。
• 即使数据有限，共识信念也会系统性地排斥可能性较低的状态，表明因对聚合结果的过度自信而引发群体极化。
• 在对称拓扑中，共识信念的支持与MLE一致，但其支持范围窄于完全信息下的最优贝叶斯后验。
• 信念的收敛速率由更新矩阵的谱半径 (1 + ρ) 决定，非最大化状态的对数比统计量呈指数衰减至零。