通过图神经网络预测网络化人群中的社会困境

人类行为给数据驱动方法和机器学习带来了重大挑战，特别是在模拟社会困境中观察到的涌现和复杂动态。这些挑战使得准确预测结构化人群中的战略决策变得复杂，而这对于推进我们对集体行为的理解至关重要。在这项工作中，我们引入了一种新方法，用于预测参与社会困境的结构化人群中的高维集体行为。我们提出了一种新的特征提取方法——拓扑边际信息特征提取(TMIFE)，它随时间捕获智能体级信息。利用TMIFE，我们采用图神经网络来编码网络动态并预测各种社会困境情景下的演化结果。我们的方法通过数值模拟和迁移学习得到验证，证明了其鲁棒性和预测准确性。此外，涉及人类参与者的囚徒困境实验证实，我们的方法可靠地预测了合作的宏观比例。这些发现强调了预测结构化人群中高维行为的复杂性，并凸显了基于图的机器学习技术在此任务中的潜力。