15、意见扩散与影响的深入剖析

意见扩散与影响的深入剖析

在研究意见在多智能体系统中的扩散机制时,我们引入了基于影响的信念修正博弈(IBRG)模型,并在此基础上进一步拓展,以考虑意见主题的影响。以下将详细介绍这些模型的相关概念、性质及拓展内容。

1. IBRG相关定义
  • 带自环的有向无环图(DAG with Self - loops) :从图 $G = (A, μ, B, Inf)$ 构建一个新图,节点为 $A$ 中的智能体,当 $i \in Inf(j)$ 时存在边 $i \to j$。若该图是有向图且仅允许 $i \to i$ 类型的循环,则称 $G$ 为带自环的有向无环图。
  • 教条智能体(Dogmatic Agent) :对于 IBRG $G = (A, μ, B, Inf)$ 中的智能体 $i$,若 $Inf(i) = {i}$,则 $i$ 是教条智能体,意味着它不受其他智能体影响,其意见始终不变,即 $\forall s \geq 0, B_s^i = B_0^i$。
  • 影响范围(Sphere of Influence) :对于智能体 $i$,其影响范围 $Sphere(i) = {j : Inf(j) = {i \prec…}} \cup {j_k : \exists j_0…j_{k - 1} \forall m = 1…(k - 1) Inf(j_m) = {j_{m - 1} \prec…} \text{ 且 } j_0 = i}$,即直接或间接主要受 $i$ 影响的智能体集合,$i$ 可能属于 $Sphere(i)$。
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值