基于学习异质性探索社会经济网络中涌现拓扑性质
物理与社会
2025-10-29 v1 计算机科学与博弈论
社会与信息网络
适应与自组织系统
摘要
理解个体学习行为与结构动态如何相互作用对于建模社会经济网络中的涌现现象至关重要。虽然有界理性和网络适应性已被广泛研究，但个体和网络层面的异质学习率的作用仍未得到充分探索。本文引入一个双学习框架，将代理的个性化学习率和网络的重构率相结合，反映真实世界中认知多样性和结构可适应性。基于囚犯困境和量化响应均衡的仿真模型，我们分析了这些学习率变化如何影响大规模网络结构的涌现。结果表明，较低且分布较均匀的学习率促进尺度无关网络的形成，而更高或更异质的学习率则导致核心-外围拓扑结构的出现。包括尺度自由指数、Estrada 异质性和关联性在内的关键拓扑指标揭示了学习的速度和 variability 对系统理性和网络架构具有决定性影响。本工作提供了一个统一框架，用于检验个体可学习性和结构可适应性如何驱动形成具有不同拓扑结构的社会经济网络，为理解适应行为、系统组织和韧性提供了新视角。
引用
@article{arxiv.2510.24107,
title = {Exploring Emergent Topological Properties in Socio-Economic Networks through Learning Heterogeneity},
author = {Chanuka Karavita and Zehua Lyu and Dharshana Kasthurirathna and Mahendra Piraveenan},
journal= {arXiv preprint arXiv:2510.24107},
year = {2025}
}