[论文解读] Learning from Neighbors about a Changing State

Krishna Dasaratha, Benjamin Golub+1 more|arXiv (Cornell University)|Jan 6, 2018

Opinion Dynamics and Social Influence参考文献 42被引用 13

一句话总结

本文提出了一种网络中社会学习的贝叶斯模型，其中代理人通过私人信号和邻居的估计值来追踪一个时变的高斯状态。在均衡状态下，代理人通过邻居估计值和私人信号的时不变加权平均形成信念——这与德格鲁特模型类似，但源自理性贝叶斯更新。关键结果是，仅当代理人具有多样的信号精度（即信号多样性）时，信息聚合才近乎最优；而当信号同质时，即使在网络连接良好的情况下，学习效率也会偏低。

ABSTRACT

Agents learn about a changing state using private signals and their neighbors' past estimates of the state. We present a model in which Bayesian agents in equilibrium use neighbors' estimates simply by taking weighted sums with time-invariant weights. The dynamics thus parallel those of the tractable DeGroot model of learning in networks, but arise as an equilibrium outcome rather than a behavioral assumption. We examine whether information aggregation is nearly optimal as neighborhoods grow large. A key condition for this is signal diversity: each individual's neighbors have private signals that not only contain independent information, but also have sufficiently different distributions. Without signal diversity $\unicode{x2013}$ e.g., if private signals are i.i.d. $\unicode{x2013}$ learning is suboptimal in all networks and highly inefficient in some. Turning to social influence, we find it is much more sensitive to one's signal quality than to one's number of neighbors, in contrast to standard models with exogenous updating rules.

研究动机与目标

• 建模网络中代理人如何利用私人信号和邻居过去的估计值来学习一个时变的、不可观测的状态。
• 理解在何种网络结构和信号条件下，信息聚合在均衡中是高效的。
• 考察信号多样性——即不同代理人之间信号精度的差异——在促进有效学习中的作用。
• 比较信号质量与网络规模对社会影响和学习效率的影响。
• 探讨代理人之间在信息上的专业化分工如何提升多维学习的效果。

提出的方法

• 将代理人建模为在重叠世代框架下的贝叶斯更新者，观测一个具有时不变信号精度的高斯AR(1)状态。
• 每个代理人将其信念表示为邻居估计值和自身私人信号的时不变加权平均，权重由均衡条件内生决定。
• 该模型刻画了平稳均衡，其中代理人的学习规则与邻居估计值的信息含量保持一致。
• 分析使用线性高斯滤波和协方差结构，推导出均衡权重和信念分布。
• 在印度村庄的实证社交网络上进行数值模拟，比较同质与异质信号方差下的学习表现。
• 开发了一个多维扩展模型，以表明信息专业化——即代理人在不同维度上具有不同的信号精度——可提升对多个独立状态的学习效果。

实验结果

研究问题

• RQ1 在何种条件下，网络中的社会学习能够实现对时变状态信息的近乎最优聚合？
• RQ2 信号多样性——即不同代理人之间信号精度的差异——如何影响均衡状态下信息聚合的效率？
• RQ3 为何在此贝叶斯模型中，社会影响对信号质量更敏感，而非对邻居数量更敏感，这与采用外生更新的常规模型相反？
• RQ4 在多维情境下，若不同代理人对不同维度拥有高精度信号，这种信息专业化是否能提升学习效果？
• RQ5 在网络结构与信号异质性共同作用下，如何在有限的现实网络中塑造学习表现？

主要发现

• 信号多样性是实现近乎最优学习的关键：当信号为独立同分布或同质时，所有网络中的学习均次优，且在某些网络中效率极低。
• 在有限网络中，若将一半代理人的信号方差提高50%（同时降低另一半以保持总信息流入不变），学习质量可提升至仅由网络结构驱动变异的6.5倍。
• 学习质量随信号多样性逐步提升——当较不精确代理人的信号方差提高50%时，学习效果达到最大可实现改进的一半左右。
• 即使在所研究的印度村庄中表现最好的网络，其学习效果仍不如中等程度信号异质性的分布，表明信号多样性可超越网络优势。
• 在多维情境下，信息专业化——即一半代理人对某一维度具有高精度信号而对另一维度具有低精度信号——可使社会在两个维度上均实现良好学习，而同质信号精度则无法实现。
• 均衡学习规则表现为邻居估计值和私人信号的时不变加权平均，其动态行为与德格鲁特模型一致，但作为贝叶斯更新的均衡结果而产生。