Learning Dynamics in Social Networks
社会网络中的学习动态AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究大型随机网络中连接结构对贝叶斯学习、创新扩散与福利的影响，直接对应网络互动和信息传播问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
社会网络中的学习动态
- 研究问题
- 大型随机网络的连接结构如何影响贝叶斯学习与创新扩散？作者比较有向、无向及含团结构的网络对学习过程和福利的影响。
- 方法与思路
- 作者提出代理人决定是否采用创新的贝叶斯学习模型，分析网络结构的作用，并在一大类网络中用少量微分方程描述行为动态。
- 材料陈述的贡献
- 摘要称，有向网络的直接与间接连接均有助于学习，无向及含团网络的学习与福利较低；一大类网络中的行为可由少量微分方程描述。
- 阅读关注点
- 核对信息结构与贝叶斯更新规则、网络比较保持哪些条件不变，以及微分方程约化的适用网络类别和福利衡量方式。
- 阅读边界
- 摘要未说明网络生成条件、信号相关性、福利指标或实证检验；网络间的学习与福利比较应限于模型条件，不能直接推广至现实社交网络。
原文摘要
This paper proposes a tractable model of Bayesian learning on large random networks where agents choose whether to adopt an innovation. We study the impact of the network structure on learning dynamics and product diffusion. In directed networks, all direct and indirect links contribute to agents' learning. In comparison, learning and welfare are lower in undirected networks and networks with cliques. In a rich class of networks, behavior is described by a small number of differential equations, making the model useful for empirical work.