A unified framework for imitation dynamics on higher-order networks
本文引入了一个用于高阶网络上模仿动力学的统一框架，该框架通过采样参数和咨询参数对更新规则进行参数化，从而推导出合作的闭式条件，并揭示了“信息多样性”是决定不同更新规则在各种社会困境中有效性的关键可解释量。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个你所做的每一个决定都是一场社交生存微型实验的世界。这就是演化博弈论（evolutionary game theory）的游乐场，这一科学分支将人类行为视为一场高风险的棋局。在这场游戏中，玩家是个人，而动作非常简单：合作（帮助群体，即便这会让你付出代价）或背叛（只顾自己，即便这会伤害群体）。几十年来，科学家们一直试图弄清楚，为什么在作弊看起来容易得多的情况下，我们竟然会选择合作。答案通常在于两点：你与谁交流（你的社交网络）以及你如何学习（你用来决定模仿谁的规则）。
不要仅仅把你的社交圈看作一份朋友名单，而要将其视为一张连接的网络。在过去，科学家们大多将这张网视为简单的、一对一友谊的链条。但现实生活更加混乱且精彩。我们不只是一次只和一个人待在一起；我们会加入俱乐部，参加家庭聚餐，并在庞大的委员会中投票。这些都是群体，在科学中，我们将这些群体的地图称为高阶网络（higher-order network）。这就像是从简单的串珠升级到了复杂的、多维的雕塑，其中一根线可以同时连接五个人。核心问题是：在这个充满复杂群体的世界里，是什么让“好人”（合作者）获胜？
Bingxin Lin 及其团队的一项新研究深入探讨了这个谜题。他们想知道，我们获取信息的方式是否比我们社交群体的形状更为重要。想象一下，你正在决定是要善良还是自私。你是只向一位朋友寻求建议？还是向同一个俱乐部的五位朋友寻求建议？或者你向来自五个不同俱乐部的五位朋友寻求建议？研究人员建立了一个统一的框架来测试所有这些场景。他们发现，秘诀不在于你拥有多少信息，而在于你的信息有多多样化。
他们将这个概念称为信息多样性（information diversity）。这就像成为一名美食评论家。如果你只去一家餐厅并尝试五种不同的菜肴，你对世界的看法会非常狭隘。但如果你去五家不同的餐厅，并在每家店只尝试一种菜肴，你就能获得更丰富、更多元化的图景。论文发现，当个体从许多不同的群体中而非仅仅从一个群体中抽取他们的“榜样”（即他们模仿的人）时，合作就会蓬勃发展。具体而言，他们通过数学证明，进行越多“跨群体”采样，让善良得以传播就越容易。
该团队并非仅仅靠猜测，他们进行了大规模的数值计算。他们创建了成千上上人在群体中互动的计算机模拟，测试了从简单的线性博弈到具有严格阈值的复杂场景（例如，在项目成功前需要一定数量的人到场）的一切情况。他们发现，具有高信息多样性的更新规则始终能降低合作获胜的门槛。即使他们在类似于现实世界的复杂网络（如模拟参议院或药物分类系统）上进行测试，这一规则依然成立：来源的多样性胜过来源的数量。
有趣的是，论文反对那种认为你需要了解群体中的每个人才能做出正确决定的观点。事实上，他们提出，促进合作最有效的方法出奇地简单：选择你所属的仅仅两个不同的群体，并分别向每个群体中的一人寻求建议。这个微小的、低成本的举动创造了最大的信息多样性。事实证明，在人类群体的复杂网络中，信息的来源比信息的纯量更为重要。通过将你的好奇心分散到不同的圈子，你不仅学到了更多，还帮助构建了一个让协作成为获胜策略的世界。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。