动态社交网络中的高斯无记忆学习
最优化与控制
2016-09-21 v1
摘要
我们分析了在动态社交网络中具有高斯先验的无记忆学习模型的动力学。试图了解世界状态即“真相”的智能体在不断变化的网络中交换关于其当前信念的信号，并据此更新信念。假定智能体是无记忆且理性的，这意味着它们基于当前状态和信号进行贝叶斯更新，而不利用来自过去的任何其他信息。另一个假设是，每个智能体以一个下界非零的频率听到带有噪声的真相信号。在这些条件下，我们证明了系统几乎必然达到真实共识，且收敛速率在期望意义上是多项式级的。有些矛盾的是，高出度可能会减慢学习过程。对真相听取频率的下界假设是必要的：即使无限频繁地接触真相，也无法保证在极限情况下达到真实共识。
引用
@article{arxiv.1609.05990,
title = {Gaussian Learning-Without-Recall in a Dynamic Social Network},
author = {Chu Wang and Bernard Chazelle},
journal= {arXiv preprint arXiv:1609.05990},
year = {2016}
}