[论文解读] Overabundant Information and Learning Traps

Annie Liang, Xiaosheng Mu|arXiv (Cornell University)|May 21, 2018

Game Theory and Applications参考文献 6被引用 4

一句话总结

本文研究在信息过载环境中社会学习的机制，其中参与者需从大量相关联的信息源中选择以预测一个未知状态。研究识别出一个关键条件——是否需要K个信息源才能恢复所有混淆变量——该条件决定了社会能否实现高效学习，或是否陷入‘学习陷阱’，即次优信息源主导且学习不可逆地变慢。

ABSTRACT

We develop a model of social learning from overabundant information: Short-lived agents sequentially choose from a large set of (flexibly correlated) information sources for prediction of an unknown state. Signal realizations are public. We demonstrate two starkly different long-run outcomes: (1) efficient information aggregation, where the community eventually learns as fast as possible; (2) "learning traps," where the community gets stuck observing suboptimal sources and learns inefficiently. Our main results identify a simple property of the signal correlation structure that separates these outcomes. In both regimes, we characterize which sources are observed in the long run and how often.

研究动机与目标

• 建模代理人在面对大量灵活的信息源集合时的社会学习过程。
• 分析过去的信息选择如何影响长期学习效率。
• 识别决定社会是否收敛到最优信息聚合或陷入低效学习的关键结构性条件。
• 描述在高效与受困状态下，长期中哪些信息源会被观察到及其出现频率。

提出的方法

• 将代理人建模为从大量信息源中按顺序选择，每个信息源是与收益相关状态和混淆变量的噪声线性组合。
• 假设信号实现公开可得，因此预测依赖于完整的历史观测信号序列。
• 采用贝叶斯更新框架，代理人基于观测到的信号实现更新信念，并选择以最小化后验方差的信息源。
• 将最优长期信号频率定义为在耐心极限下能最大化信息揭示与社会福利的频率。
• 引入‘最小生成集’概念——一组信息源，其联合可揭示所有混淆项及收益相关状态。
• 应用最优设计理论（如 Chaloner, 1984）的结果，刻画信号使用频率的渐近特性。

实验结果

研究问题

• RQ1 在信息过载的背景下，社会学习在何种条件下仍能实现高效的信息聚合？
• RQ2 信息源之间的互补性如何产生外部性，从而扭曲长期学习行为？
• RQ3 信号相关性的何种结构性特征决定了社会是能逃脱还是陷入学习陷阱？
• RQ4 在存在混淆变量的情况下，先验信念如何影响长期信息源的选择？
• RQ5 即使代理人理性且具有前瞻性，学习陷阱是否仍可能持续存在？

主要发现

• 若需K个信息源才能恢复所有混淆变量（K为未知数的个数），则从任意先验信念出发，长期信息获取均是高效的。
• 若无需恢复所有混淆项即可学习收益相关状态，则代理人可能陷入次优信息源，导致学习效率低下。
• 任何少于K个信息源的集合，只要能恢复收益相关状态，在某些先验信念下即构成学习陷阱。
• 在学习陷阱中，代理人持续低估受剩余未知数混淆的信息源，即使这些信息源在渐近意义上是最优的。
• 学习陷阱中的长期低效性，其量化程度由最优与次优信息源之间方差减少差距所限制。
• 对于足够低的贴现因子，代理人不会偏离子空间最优信息源，即使未来存在潜在收益，也因偏离的即时成本过高而放弃。