社交网络中的朴素贝叶斯学习

DeGroot 朴素社会学习模型假设智能体仅交流标量意见。在实践中，智能体不仅交流他们的意见，还交流他们对这些意见的置信度。我们提出了一个模型，通过将信号信息量纳入朴素社会学习场景来捕捉交流的这一方面。我们提出的模型捕捉了贝叶斯学习和朴素学习两方面的特征。我们模型中的智能体使用贝叶斯法则结合其邻居的信念，但智能体朴素地假设其邻居的信念是独立的。根据初始信念的不同，我们模型中的智能体可能无法达成共识，但我们表明，在初始信念满足温和的连续性和有界性假设下，智能体将达成共识。这种最终共识可以根据每个智能体的中心性和信号信息量显式计算，从而能够精确理解其联合效应。我们将我们的理论应用于新技术的采用。与 Banerjee 等人 [2018] 的工作相反，我们表明关于新技术的信息最初可以播种在一个紧密聚集的群体中而不丢失信息，但前提是智能体能够富有表现力地交流他们的信念。