[论文解读] Dynamic Network Formation with Foresighted Agents

Yangbo Song, Mihaela van der Schaar|arXiv (Cornell University)|Sep 1, 2015

Complex Network Analysis Techniques参考文献 34被引用 4

一句话总结

本文提出了一种具有前瞻性、异质性代理人的动态网络形成模型，这些代理人会随时间战略性地建立和解除联系，同时考虑未来收益和私人信息。研究发现，只要所有代理人都获得正收益，有效网络就能在均衡中持续存在，从而解决了先前文献中在类似条件下预测低效性的关键矛盾。

ABSTRACT

What networks can form and persist when agents are self-interested? Can such networks be efficient? A substantial theoretical literature predicts that the only networks that can form and persist must have very special shapes and that such networks cannot be efficient, but these predictions are in stark contrast to empirical findings. In this paper, we present a new model of network formation. In contrast to the existing literature, our model is dynamic (rather than static), we model agents as foresighted (rather than myopic) and we allow for the possibility that agents are heterogeneous (rather than homogeneous). We show that a very wide variety of networks can form and persist; in particular, efficient networks can form and persist if they provide every agent a strictly positive payoff. For the widely-studied connections model, we provide a full characterization of the set of efficient networks that can form and persist. Our predictions are consistent with empirical findings.

研究动机与目标

• 解决网络形成文献中静态、短视及同质代理人模型的局限性。
• 探究当代理人具有前瞻性且异质时，有效网络是否能够形成并持续存在。
• 调和理论预测与现实世界中有效网络的实证观察之间的矛盾。
• 分析不完全信息与代理人耐心程度在维持有效网络拓扑结构中的作用。
• 对在动态、前瞻性行为下可持续网络进行全面表征。

提出的方法

• 将网络形成建模为一个随机动态博弈，代理人在离散时间周期内随机相遇。
• 引入异质性代理人类型，其收益取决于网络拓扑、位置及同伴特征。
• 通过各期收益的贴现和来形式化前瞻性行为，以捕捉长期激励。
• 使用贝叶斯更新来建模不完全信息下的学习过程，代理人根据公开信号和形成历史更新信念。
• 将均衡定义为策略组合，其中网络收敛并永久保持不变（网络收敛）。
• 应用博弈论工具，对完全信息与不完全信息下可持续网络进行表征，重点关注强效率。

实验结果

研究问题

• RQ1 在具有前瞻性代理人的动态网络形成模型中，有效网络在何种条件下能够形成并持续存在？
• RQ2 与同质代理人模型相比，代理人异质性如何影响可持续网络拓扑结构的集合？
• RQ3 不完全信息在有效网络可持续性中扮演何种角色？
• RQ4 耐心程度（贴现因子）如何影响维持强有效网络的能力？
• RQ5 在前瞻性行为下，连接模型中的强有效网络具有何种确切的拓扑特性？

主要发现

• 当代理人具有前瞻性且异质时，包括有效网络在内的多种网络结构均可在均衡中形成并持续存在。
• 在完全信息设定下，只要每个代理人的收益严格为正，任何网络均可在均衡中维持。
• 在不完全信息设定下，若每个代理人的预期收益为正，则可维持强有效网络。
• 可持续网络的集合随代理人类型提高而扩大（即，随 f(θi) 增大），且在类型向量上具有单调性。
• 该模型预测，在连接模型中，强有效网络的拓扑结构与现实世界数据中观察到的结构高度相似。
• 不完全信息成为低效的来源，提高了维持强有效网络所需的最低耐心水平。