关于社交网络意见动力学学习网络的 PAC 学习极限
社会与信息网络
2026-05-15 v1 计算复杂性
摘要
社交网络中基于阈值的代理会在受到足够多个同伴影响后改变意见。已有文献通常假设网络结构和动力学是完全已知的，这往往不现实。在本工作中，我们询问如何从代理的同步意见更新样本中学习网络结构。首先，若意见动力学遵循阈值规则，其中固定数量的影响者可防止意见变化（例如，单一意见和准单一意见），我们提供了一个在每位代理影响者数量受限时的高效 PAC 学习算法。其次，基于标准计算复杂性假设，我们证明若代理的意见遵循其影响者的多数意见，则不存在高效的 PAC 学习算法。我们提出了一个多项式时间的启发式方法，在我们随机图上的模拟中成功学习出98%以上的一致网络，对某些特定代理数量和意见扩散示例数的条件下几乎没有失败。
引用
@article{arxiv.2605.15033,
title = {On the Limits of PAC Learning of Networks from Opinion Dynamics},
author = {Dmitry Chistikov and Luisa Estrada and Mike Paterson and Paolo Turrini},
journal= {arXiv preprint arXiv:2605.15033},
year = {2026}
}