当前位置: X-MOL 学术arXiv.cs.GT › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
On social networks that support learning
arXiv - CS - Computer Science and Game Theory Pub Date : 2020-11-10 , DOI: arxiv-2011.05255
Itai Arieli, Fedor Sandomirskiy, and Rann Smorodinsky

It is well understood that the structure of a social network is critical to whether or not agents can aggregate information correctly. In this paper, we study social networks that support information aggregation when rational agents act sequentially and irrevocably. Whether or not information is aggregated depends, inter alia, on the order in which agents decide. Thus, to decouple the order and the topology, our model studies a random arrival order. Unlike the case of a fixed arrival order, in our model, the decision of an agent is unlikely to be affected by those who are far from him in the network. This observation allows us to identify a local learning requirement, a natural condition on the agent's neighborhood that guarantees that this agent makes the correct decision (with high probability) no matter how well other agents perform. Roughly speaking, the agent should belong to a multitude of mutually exclusive social circles. We illustrate the power of the local learning requirement by constructing a family of social networks that guarantee information aggregation despite that no agent is a social hub (in other words, there are no opinion leaders). Although the common wisdom of the social learning literature suggests that information aggregation is very fragile, another application of the local learning requirement demonstrates the existence of networks where learning prevails even if a substantial fraction of the agents are not involved in the learning process. On a technical level, the networks we construct rely on the theory of expander graphs, i.e., highly connected sparse graphs with a wide range of applications from pure mathematics to error-correcting codes.

中文翻译:

在支持学习的社交网络上

众所周知,社交网络的结构对于代理能否正确聚合信息至关重要。在本文中,我们研究了当理性代理按顺序且不可撤销地行动时支持信息聚合的社交网络。信息是否聚合尤其取决于代理决定的顺序。因此,为了解耦顺序和拓扑,我们的模型研究随机到达顺序。与固定到达顺序的情况不同,在我们的模型中,代理的决策不太可能受到网络中远离他的人的影响。这种观察使我们能够确定局部学习要求,即代理邻域的自然条件,无论其他代理表现如何,它都能保证该代理做出正确的决定(以高概率)。粗略地说,agent应该属于多个相互排斥的社交圈。尽管没有代理是社交中心(换句话说,没有意见领袖),我们通过构建一个保证信息聚合的社交网络家族来说明本地学习要求的力量。尽管社会学习文献的普遍智慧表明信息聚合非常脆弱,但本地学习要求的另一种应用表明网络的存在,即使很大一部分智能体没有参与学习过程,学习也会占上风。在技​​术层面上,我们构建的网络依赖于扩展图理论,即高度连接的稀疏图,具有从纯数学到纠错码的广泛应用。代理应该属于多个相互排斥的社交圈。尽管没有代理是社交中心(换句话说,没有意见领袖),我们通过构建一个保证信息聚合的社交网络家族来说明本地学习要求的力量。尽管社会学习文献的普遍智慧表明信息聚合非常脆弱,但本地学习要求的另一种应用表明网络的存在,即使很大一部分智能体没有参与学习过程,学习也会占上风。在技​​术层面上,我们构建的网络依赖于扩展图理论,即高度连接的稀疏图,具有从纯数学到纠错码的广泛应用。代理应该属于多个相互排斥的社交圈。尽管没有代理是社交中心(换句话说,没有意见领袖),我们通过构建一个保证信息聚合的社交网络家族来说明本地学习要求的力量。尽管社会学习文献的普遍智慧表明信息聚合非常脆弱,但本地学习要求的另一种应用表明网络的存在,即使很大一部分智能体没有参与学习过程,学习也会占上风。在技​​术层面上,我们构建的网络依赖于扩展图理论,即高度连接的稀疏图,具有从纯数学到纠错码的广泛应用。尽管没有代理是社交中心(换句话说,没有意见领袖),我们通过构建一个保证信息聚合的社交网络家族来说明本地学习要求的力量。尽管社会学习文献的普遍智慧表明信息聚合非常脆弱,但本地学习要求的另一种应用表明网络的存在,即使很大一部分智能体没有参与学习过程,学习也会占上风。在技​​术层面上,我们构建的网络依赖于扩展图理论,即高度连接的稀疏图,具有从纯数学到纠错码的广泛应用。尽管没有代理是社交中心(换句话说,没有意见领袖),我们通过构建一个保证信息聚合的社交网络家族来说明本地学习要求的力量。尽管社会学习文献的普遍智慧表明信息聚合非常脆弱,但本地学习要求的另一种应用表明网络的存在,即使很大一部分智能体没有参与学习过程,学习也会占上风。在技​​术层面上,我们构建的网络依赖于扩展图理论,即高度连接的稀疏图,具有从纯数学到纠错码的广泛应用。没有意见领袖)。尽管社会学习文献的普遍智慧表明信息聚合非常脆弱,但本地学习要求的另一种应用表明网络的存在,即使很大一部分智能体没有参与学习过程,学习也会占上风。在技​​术层面上,我们构建的网络依赖于扩展图理论,即高度连接的稀疏图,具有从纯数学到纠错码的广泛应用。没有意见领袖)。尽管社会学习文献的普遍智慧表明信息聚合非常脆弱,但本地学习要求的另一种应用表明网络的存在,即使很大一部分智能体没有参与学习过程,学习也会占上风。在技​​术层面上,我们构建的网络依赖于扩展图理论,即高度连接的稀疏图,具有从纯数学到纠错码的广泛应用。本地学习要求的另一个应用证明了网络的存在,即使很大一部分智能体没有参与学习过程,学习也会占上风。在技​​术层面上,我们构建的网络依赖于扩展图理论,即高度连接的稀疏图,具有从纯数学到纠错码的广泛应用。本地学习要求的另一个应用证明了网络的存在,即使很大一部分智能体没有参与学习过程,学习也会占上风。在技​​术层面上,我们构建的网络依赖于扩展图理论,即高度连接的稀疏图,具有从纯数学到纠错码的广泛应用。
更新日期:2020-11-11
down
wechat
bug