社交网络中的贝叶斯学习-研究论文

【文件属性】：
文件名称：社交网络中的贝叶斯学习-研究论文
文件大小：505KB
文件格式：PDF
更新时间：2021-06-09 19:20:45
论文研究 我们研究了一般社交网络学习模型的完美贝叶斯均衡。 每个人都会收到关于世界潜在状态的信号，观察随机生成的个人邻域过去的行为，并选择两种可能的行为之一。 生成邻域的随机过程定义了网络拓扑（社交网络）。 文献中广泛研究了每个人观察所有过去行为的特殊情况。 我们刻画了任意随机和确定性社交网络的纯策略均衡，并刻画了渐近学习的条件——也就是说，在这种条件下，随着社交网络变大，个体收敛（以概率）正确的行动。 我们表明，当私人信念是*的（意味着隐含的似然比是*的）时，只要有一些最小量的“观察扩展”，就会有渐进学习。 我们的主要定理表明，当每个人从最近的过去观察另一个人的概率随着社交网络变大而收敛到一个时，无限的私人信念足以确保渐近学习。 因此，该定理确立了，在私人信念无限的情况下，几乎所有合理的社交网络都会有渐近学习。 我们还表明，对于大多数网络拓扑，当私人信念有界时，不会有渐进学习。 此外，与观察到所有过去动作的特殊情况相反，即使在某些随机网络拓扑中存在有界信念，渐进学习也是可能的。