超图上意见传播的自适应两层模型

本文介绍了一种新颖的两层随机超图模型，用于研究意见传播，其中结合了高阶交互和自适应行为（改变意见和工作场所）。它研究了模型参数对两极分化和同质性的影响，将模型分析为马尔可夫链，并比较了不同统计和机器学习方法在估计关键概率方面的性能。这项研究意义重大，因为它提供了一个框架，用于理解复杂社会结构中的意见动态，并探索了各种机器学习技术在这些模型中进行参数估计的适用性。

• •引入用于意见传播的两层超图模型，结合高阶交互。
• •研究模型参数对同质性和两极分化的影响。
• •将模型分析为马尔可夫链。
• •比较线性回归、xgboost 和卷积神经网络在参数估计方面的性能。
• •强调同伴压力强度对准确估计所需信息量的影响。