[论文解读] Removal of Data Incest in Multi-agent Social Learning in Social Networks

Maziyar Hamdi, Vikram Krishnamurthy|arXiv (Cornell University)|Sep 25, 2013

Opinion Dynamics and Social Influence参考文献 21被引用 3

一句话总结

该论文提出了一种针对有向无环图（DAG）中多智能体社会学习的数据近亲繁殖消除算法，确保公共信念不受重复信息重用的影响。通过在DAG上建模信息流并采用加权信念聚合方案，该方法消除了错误信息的传播，同时保持了公共信念的准确性，并提升了在线声誉系统的可信度。

ABSTRACT

Motivated by online reputation systems, we investigate social learning in a network where agents interact on a time dependent graph to estimate an underlying state of nature. Agents record their own private observations, then update their private beliefs about the state of nature using Bayes' rule. Based on their belief, each agent then chooses an action (rating) from a finite set and transmits this action over the social network. An important consequence of such social learning over a network is the ruinous multiple re-use of information known as data incest (or mis-information propagation). In this paper, the data incest management problem in social learning context is formulated on a directed acyclic graph. We give necessary and sufficient conditions on the graph topology of social interactions to eliminate data incest. A data incest removal algorithm is proposed such that the public belief of social learning (and hence the actions of agents) is not affected by data incest propagation. This results in an online reputation system with a higher trust rating. Numerical examples are provided to illustrate the performance of the proposed optimal data incest removal algorithm.

研究动机与目标

• 解决在时变社交网络中多智能体社会学习里的数据近亲繁殖——即重复重用相同信息的问题。
• 在有向无环图（DAG）上建立数据近亲繁殖管理问题的数学模型，以防止错误信息传播。
• 开发一种算法，使公共信念和智能体行为得以保留，同时消除数据近亲繁殖的影响。
• 确保即使在存在反馈环路的网络中，智能体共享行为时，公共信念仍与贝叶斯更新保持统计一致性。

提出的方法

• 在时变有向无环图（DAG）上建模社会学习，其中每个智能体的信息流由拓扑结构表示。
• 基于私有观测和网络信息，使用贝叶斯更新定义私有信念，智能体选择行动以最小化期望成本。
• 引入一个由拓扑约束导出的权重向量 $ w_n $，以消除冗余信息，确保仅唯一信息对信念更新有贡献。
• 通过对数信念聚合实现递归信念更新：$ \theta_n^{\text{full}} = \nu_n + (t_n \otimes \mathbf{I}_d)\nu_{1:n-1} $，其中 $ t_n $ 编码了拓扑依赖关系。
• 推导出最优权重向量 $ w_n = (t_n T_{n-1}')^{-1} $，确保公共信念与无数据近亲繁殖的全信息信念一致。
• 实现一种数据近亲繁殖消除算法，仅使用DAG中唯一且非冗余的信息路径来计算公共信念。

实验结果

研究问题

• RQ1 在社交网络图的何种拓扑条件下，可在多智能体贝叶斯社会学习中完全消除数据近亲繁殖？
• RQ2 尽管存在重复信息共享，如何使社会学习中的公共信念保持与所有信息均为唯一时相同的准确性？
• RQ3 应采用何种最优加权方案聚合智能体行为，以使信念更新对数据近亲繁殖保持不变？
• RQ4 能否设计一种数据近亲繁殖消除算法，使公共信念的统计一致性得以保留，同时消除冗余信息？
• RQ5 与标准社会学习协议相比，该算法在信念准确性及在线声誉系统可信度方面表现如何？

主要发现

• 所提算法确保公共信念 $ p(x|\Theta_n^{\text{full}}, a_n, G_n) $ 与全信息信念完全一致，彻底消除了数据近亲繁殖的影响。
• 推导出数据近亲繁殖消除的必要且充分的拓扑条件：图必须是具有明确定义拓扑排序的有向无环图（DAG）。
• 最优权重向量 $ w_n = (t_n T_{n-1}')^{-1} $ 确保仅唯一信息路径对信念更新有贡献，从而防止错误信息传播。
• 该方法保持了贝叶斯更新的统计一致性，因此即使智能体重复转发行为，公共信念依然有效。
• 数值示例表明，该算法通过消除重复信息导致的信念失真，显著提升了在线声誉系统中的信任评分。
• 该算法计算高效且可扩展，因其依赖于拓扑排序和稀疏依赖图上的矩阵求逆。