[论文解读] Opinion Dynamics with Hopfield Neural Networks

Dietrich Stauffer, Przemyslaw A. Grabowicz+1 more|ArXiv.org|Dec 28, 2007

Neural Networks and Applications参考文献 1被引用 4

一句话总结

本文利用耦合霍普菲尔德神经网络对意见动态进行建模，其中个体（网络）以概率 $ p $ 相互影响，模拟社会说服过程。研究发现，高交互概率 $ p \approx 1 $ 会导致在两个存储意见中达成共识，而中等 $ p $ 会导致犹豫不决，低 $ p $ 则允许随机一致，尤其在个体数量较少时更为明显。

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.

研究动机与目标

• 将社会意见形成建模为具有二元意见的神经网络中的认知过程。
• 研究人际影响（建模为随机意见复制）如何影响多智能体系统中的共识形成。
• 确定在存在冲突存储意见的情况下，群体在何种条件下达成一致或保持犹豫不决。
• 分析一个小型、紧密互动核心在引导更大群体达成共识中的作用。

提出的方法

• 耦合霍普菲尔德网络通过赫布规则 $ J_{iI} = \sum_\mu \xi_i^\mu \xi_I^\mu $ 存储两个随机二进制模式（$ \xi_i^\mu $）。
• 每个网络使用标准霍普菲尔德更新规则 $ S_i = \text{sign}(\sum_I J_{iI} S_I) $ 进行演化，但以概率 $ p $，每个神经元改用从其他网络中随机选择的值。
• 该系统模拟社会影响：个体根据他人状态更新其意见，模仿说服或同伴压力。
• 共识通过重叠 $ \sum_i S_i \xi_i^2 $ 衡量，其中一致定义为 $ a \geq 0.75 $，$ a $ 为正确模式匹配的比例。
• 模拟使用最多 $ 10^8 $ 个神经元，分布在 $ L \times L $ 网格上，$ k = 2, 4, 15, 101 $ 个智能体，最多 1000 次迭代。
• 将 3 或 21 名成员组成的内核组建模为彼此之间相互作用，而其他成员保持非相互作用，以研究影响力动态。

实验结果

研究问题

• RQ1 在耦合霍普菲尔德网络模型中，智能体群体在何种条件下会就两个存储意见中的一个达成共识？
• RQ2 智能体之间意见复制的概率 $ p $ 如何影响达成共识或犹豫不决的可能性？
• RQ3 一个小型、紧密互动的核心在决定群体决策结果中起到何种作用？
• RQ4 为何中等 $ p $ 会导致共识减少，相较于低或高 $ p $，其潜在机制是什么？
• RQ5 群体规模 $ k $ 和模式维度 $ L $ 如何影响随机一致与非随机一致的出现？

主要发现

• 对于 $ k=2 $，$ L=100 $，且 $ p \geq 0.97 $ 的情况，在全部 1000 次模拟样本中均实现了共识，表明在高交互率下几乎必然收敛。
• 在中等 $ p $ 时，共识频率显著下降，表明持续的相互影响可能阻碍收敛。
• 对于 $ k=2 $，$ L=100 $，且 $ p=0.97 $ 的情况，经过 100 次迭代后与获胜意见的重叠达到 $ -95 $ 百万，表明与一个存储模式高度一致。
• 当 $ k=101 $ 时，由于群体规模过大，随机一致不可能发生，只有高 $ p $ 才能实现共识，证实了更大的群体需要更强的影响力才能达成一致。
• 当核心由 3 或 21 名成员组成并彼此相互作用时，在高 $ p $ 下，核心多数与总体多数一致的情况几乎必然发生；但在中等 $ p $ 时失败，此时核心成员往往无法收敛。
• 当 $ a_c = 0.75 $ 时，非随机一致的阈值被确定为 $ p_c = 1/3 $，由公式 $ p = (1-a)/a $ 推导得出，表明更高的共识阈值需要更低的交互概率以避免随机共识。