[论文解读] How Bad is Forming Your Own Opinion?

David Bindel, Jon Kleinberg+1 more|arXiv (Cornell University)|Mar 13, 2012

Opinion Dynamics and Social Influence参考文献 12被引用 10

一句话总结

本文研究社交网络中意见形成过程，个体在内在意愿与同伴影响之间寻求平衡，将该过程建模为二次成本博弈中的最优响应动态。论文给出了纳什均衡下分歧成本相对于社会最优解的紧致上界，该上界与广义特征值相关联，并提出一种多项式时间方法，可最优地添加边以降低社会成本。

ABSTRACT

The question of how people form their opinion has fascinated economists and sociologists for quite some time. In many of the models, a group of people in a social network, each holding a numerical opinion, arrive at a shared opinion through repeated averaging with their neighbors in the network. Motivated by the observation that consensus is rarely reached in real opinion dynamics, we study a related sociological model in which individuals' intrinsic beliefs counterbalance the averaging process and yield a diversity of opinions. By interpreting the repeated averaging as best-response dynamics in an underlying game with natural payoffs, and the limit of the process as an equilibrium, we are able to study the cost of disagreement in these models relative to a social optimum. We provide a tight bound on the cost at equilibrium relative to the optimum; our analysis draws a connection between these agreement models and extremal problems that lead to generalized eigenvalues. We also consider a natural network design problem in this setting: which links can we add to the underlying network to reduce the cost of disagreement at equilibrium?

研究动机与目标

• 将意见形成建模为一种博弈，个体通过平均化来最小化个人成本，从而达到纳什均衡而非共识状态。
• 通过比较纳什均衡结果与社会最优意见向量，量化分歧的社会成本。
• 识别应添加哪些网络连接以减少均衡状态下的分歧成本，将问题转化为网络设计问题。
• 利用谱图论与广义特征值，建立均衡低效性相对于社会最优解的紧致上界。
• 提供一种多项式时间算法，用于计算最优边权重，以最小化纳什均衡下的社会成本。

提出的方法

• 使用德格鲁特模型的变体来建模意见动态，包含持续存在的内在意愿 $s_i$ 和随时间演化的意见 $z_i$。
• 将平均过程重新表述为最小化二次成本函数的最优响应动态：$(z_i - s_i)^2 + \sum_{j \in N(i)} w_{ij}(z_i - z_j)^2$。
• 将均衡识别为涉及图拉普拉斯矩阵与边权重的线性系统的唯一解，该解由成本最小化的一阶条件推导得出。
• 将社会成本定义为所有个体成本之和，并证明其在与纳什均衡 $x$ 不同的社会最优向量 $y$ 处取得最小值。
• 使用影响向量 $v_i$ 分析在 $i$ 与 $j$ 之间添加边对均衡的影响，其中 $v_i$ 捕获 $x_i$ 对 $s_i$ 变化之敏感度。
• 推导出关于边权重 $\rho$ 的二次函数，用于计算新均衡下的社会成本，从而可通过微积分实现优化。

实验结果

研究问题

• RQ1 在意见形成博弈中，纳什均衡下的社会成本与社会最优解之间的最坏情况比率是多少？
• RQ2 如何最优地向社交网络添加边，以最小化均衡状态下的社会成本？
• RQ3 网络结构与意见动态中均衡结果的低效性之间存在何种关系？
• RQ4 影响向量 $v_i$ 如何决定添加新边对均衡结果的影响？
• RQ5 我们能否在多项式时间内计算单条边添加的最优权重，以降低社会成本？

主要发现

• 本文建立了分歧成本的紧致上界，表明纳什均衡下的社会成本与社会最优解之比，受限于由网络导出的矩阵对的最大广义特征值。
• 可通过最小化关于 $\phi$（边添加引起的均衡扰动）的二次函数，在多项式时间内计算出向边 $(i,j)$ 添加的最优权重 $\rho$。
• 社会成本关于边权重 $\rho$ 的梯度为 $\gamma_{ij} = (x_i - x_j)^2 - 2(x_i - x_j)v_i^T((A+I)x - s)$，从而可实现基于最速下降的局部优化。
• 向边 $(i,j)$ 添加大权重 $\rho$ 会促使 $i$ 与 $j$ 的意见相互靠近，渐近地使 $x_i' - x_j' \to 0$。
• 影响向量 $v_i$ 在对角线项 $v_{i,i}$ 处取最大值，这确保了在添加边时均衡意见变化的方向具有良好的行为特性。
• 该方法允许高效地进行边添加的局部优化，尽管选择多条最优边的全局问题可能为 NP-难。