社会网络中确认偏误下极化的多智能体模型
计算机科学中的逻辑
2021-04-26 v1
摘要
我们基于 Esteban 与 Ray 来自经济学的标准极化度量，描述了多智能体系统中的极化模型。智能体依据底层影响图更新其信念（观点）而演化，如同社会学习的标准 DeGroot 模型，但处于确认偏误之下；即，对观点相异的智能体的意见予以折扣。我们证明，即使在此偏误下，若影响图强连通，极化最终也会消失（收敛至零）。若影响图为正则对称循环图，我们确定了所有智能体收敛到的唯一信念值。我们更具洞察力的结果证明，在某些自然假设下，若极化最终不消失，则要么存在断开连接的智能体子群，要么某智能体对他人影响大于其受他人影响。我们还表明，在确认偏误下，极化在弱连通图中未必消失。我们通过一系列案例研究与仿真阐释了我们的模型，并展示其如何关联于经典的社会学习 DeGroot 模型。
引用
@article{arxiv.2104.11538,
title = {A Multi-Agent Model for Polarization under Confirmation Bias in Social Networks},
author = {Mário S. Alvim and Bernardo Amorim and Sophia Knight and Santiago Quintero and Frank Valencia},
journal= {arXiv preprint arXiv:2104.11538},
year = {2021}
}
备注
24 pages, 6 figures. Pre-print of work to appear in the 41st International Conference on Formal Techniques for Distributed Objects, Components, and Systems (FORTE 2021). arXiv admin note: text overlap with arXiv:2012.02703