Exploring Emergent Topological Properties in Socio-Economic Networks through Learning Heterogeneity
Chanuka Karavita, Zehua Lyu, Dharshana Kasthurirathna, Mahendra Piraveenan
了解个体学习行为和结构动力学如何相互作用对于模拟社会经济网络中的新兴现象至关重要。 虽然对边界合理性和网络适应进行了广泛研究,但代理和网络层面的异质学习率的作用仍在探索中。 本文介绍了一个双重学习框架,该框架集成了代理的个性化学习率和网络重新布线率,反映了现实世界的认知多样性和结构适应性。 使用基于囚徒困境和定量响应均衡的模拟模型,我们分析这些学习率的变化如何影响大规模网络结构的出现。 结果表明,较低和更加均匀的分布式学习率促进了无规模网络,而更高或更异构分布的学习率导致核心外围拓扑的出现。 关键的拓扑指标,包括无尺度指数,Estrada异质性和分类性,揭示了学习的速度和可变性,批判地塑造了系统合理性和网络架构。 这项工作提供了一个统一的框架,用于研究个人可学习性和结构适应性如何推动具有不同拓扑结构的社会经济网络的形成,为适应性行为,系统组织和弹性提供新的见解。
Understanding how individual learning behavior and structural dynamics interact is essential to modeling emergent phenomena in socioeconomic networks. While bounded rationality and network adaptation have been widely studied, the role of heterogeneous learning rates both at the agent and network levels remains under explored. This paper introduces a dual-learning framework that integrates individualized learning rates for agents and a rewiring rate for the network, reflecting real-world cognitiv...
