[论文解读] Reaching Consensus via non-Bayesian Asynchronous Learning in Social Networks

Michal Feldman, Nicole Immorlica+2 more|arXiv (Cornell University)|Aug 22, 2014

Opinion Dynamics and Social Influence参考文献 10被引用 11

一句话总结

本文研究社交网络中非贝叶斯、异步的意见动态，表明在个体基于邻居多数意见报告更新观点时，稀疏且具有扩张特性的网络结构（如有界度的 $\lambda$-扩张图）能以高概率实现对正确真实状态的一致意见。关键结果是，此类网络结构可防止信息级联，并确保尽管采用异步、启发式学习，仍能实现可靠的信息聚合。

ABSTRACT

We study the outcomes of information aggregation in online social networks. Our main result is that networks with certain realistic structural properties avoid information cascades and enable a population to effectively aggregate information. In our model, each individual in a network holds a private, independent opinion about a product or idea, biased toward a ground truth. Individuals declare their opinions asynchronously, can observe the stated opinions of their neighbors, and are free to update their declarations over time. Supposing that individuals conform with the majority report of their neighbors, we ask whether the population will eventually arrive at consensus on the ground truth. We show that the answer depends on the network structure: there exist networks for which consensus is unlikely, or for which declarations converge on the incorrect opinion with positive probability. On the other hand, we prove that for networks that are sparse and expansive, the population will converge to the correct opinion with high probability.

研究动机与目标

• 理解在何种网络结构下，尽管采用启发式、非贝叶斯的意见更新方式，社交网络中的信息聚合仍能成功。
• 识别出群体在何种条件下可避免信息级联并收敛至正确的真实状态。
• 分析网络拓扑结构——特别是稀疏性和扩张性——在促成或阻止对正确意见的一致意见中的作用。
• 形式化个体基于邻居多数意见报告而非私有信号更新意见的动态过程。
• 为在现实网络模型（包括扩张图和稀疏图）中实现对正确意见的一致意见建立理论保证。

提出的方法

• 将意见动态建模为一个随机过程，其中节点异步更新其意见以匹配邻居的多数意见。
• 使用基于体积的分析方法，追踪红节点和蓝节点的体积，以 $Vol(R)$（红节点总度数）作为意见强度的度量。
• 应用随机游走模型分析意见体积变化的漂移和吸收概率，其步长有界且具有偏差。
• 引入一个 $d$-有界、$(\frac{c-1}{c+1})$-有偏的随机游走，以限制从正确多数状态倒退至少数状态的概率。
• 在 $O(1/\delta)$ 步内使用集中不等式和并集界，证明该过程不太可能偏离不断增长的正确多数状态。
• 证明当 $\lambda$-扩张图满足 $\lambda \leq \delta/6$ 且最大度数 $d$ 有界时，随着 $n \to \infty$，以高概率实现对正确意见的一致意见。

实验结果

研究问题

• RQ1 在何种网络结构下，个体在非贝叶斯、异步意见动态中能就正确真实状态达成一致意见？
• RQ2 即使个体基于本地多数意见报告进行更新，稀疏且具有扩张特性的网络是否仍能防止信息级联？
• RQ3 网络扩张性和稀疏性在确保收敛至正确意见中起什么作用？
• RQ4 当初始信号存在噪声或偏差时，该过程是否仍能稳定在正确的一致意见上？
• RQ5 该结果能否推广至更广泛的稀疏图类，如具有有界森林度的图？

主要发现

• 对于满足 $\lambda \leq \delta/6$ 且最大度数为 $d$ 的 $\lambda$-扩张图，该过程以至少 $1 - 4n \cdot e^{-\delta n / 48d^2}$ 的概率实现红色一致意见（正确意见）。
• 在相同条件下，收敛至错误意见的概率随节点数 $n$ 呈指数级减小。
• 稀疏性确保了在过程的某个时刻，正确多数意见很可能会形成；而扩张性则确保此类多数意见不太可能被逆转。
• 星形网络同样能以高概率实现对正确意见的一致意见，表明其适用范围可能超越扩张图。
• 该分析将稀疏性（用于形成正确多数意见）与扩张性（用于稳定一致意见）解耦，表明二者在信息聚合中具有不同作用。
• 结果表明，低森林度或其他稀疏图类也可能支持对正确意见的一致意见，尽管这仍是一个猜想。