Exploration of the generative capabilities of Boltzmann machines applied to social systems under the majority rule
本文表明，具有非二元可见单元的深度置信网络能够成功生成并从受多数规则支配且处于临界状态的社会系统中恢复样本，在保持临界性的同时，即使在存在输入噪声的情况下也能表现出渐进的物理退化。
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
想象这样一个世界：你的情绪、你对一部新电影的看法，甚至你决定买入某只股票，都不再仅仅是一个人的孤立想法，而是一场由周围所有人引发的涟漪效应。这就是统计物理学与社会科学的游乐场，这两个领域发现了一个令人惊讶的秘密：人群的行为往往就像巨大的磁铁。正如微小的磁矩可以突然排列一致以产生强大的磁场一样，人群也可以突然达成共识（一致性）或突然产生分歧（极化）。这种开关切换的瞬间被称为相变。它是处于平静秩序与混沌噪声之间的精确临界点。科学家们痴迷于寻找这些“临界点”，因为那里是发生最剧烈变化的时刻——比如股市崩盘或突发的社会运动。为了研究这些隐形的转变，研究人员使用了 Boltzmann 机器，这是一种通过猜测模式并随后检查自身猜测是否正确来学习的计算机大脑，有点像一个通过一遍又一遍练习模拟考试直到记住答案的学生。
现在，想象一群朋友在一个正方形网格上，每个人都有三种可能的情绪：开心、中立或郁闷。他们观察自己周围四个最近邻居的状态，并试图匹配大多数人的情绪，但有时他们会分心或变得固执（这就是“噪声”）。这篇论文中的研究人员提出了一个棘手的疑问：如果我们从这个群体正处于那种混沌临界点的瞬间截取一张快照，然后抹去其中一些人的情绪（假装不知道他们在想什么），计算机大脑能否推断出缺失的部分并重构整个场景？他们不仅仅是想让计算机进行猜测；他们想知道计算机能否“梦幻”出一个新的群体版本，使其即便在信息缺失的情况下，依然感觉像是处于那种混沌边缘。
团队构建了一种特殊的计算机大脑，称为深度置信网络 (DBN)。你可以把它想象成一个多层的侦探。第一层是一个“高斯-伯努利 (Gaussian-Bernoulli)”侦探，这是一种高级说法，意味着它处理的意见不仅可以是“是”或“否”，还可以是“也许”或“程度上的如此”（三种状态）。他们用成千上万张处于不同情绪下的朋友群体快照训练了这个侦探。训练完成后，他们通过隐藏一部分朋友的意见（最多隐藏 50% 的人）来测试它，并要求这个侦探填补空白。结果令人感到欣喜。这个计算机大脑能够成功地“梦幻”出缺失的意见，创造出一个看起来和行为上都与原始群体非常相似的新群体。
然而，故事并非简单的“计算机赢了”。研究人员发现，侦探的“形状”至关重要。当他们构建一个扩大视野的侦探（即隐藏层比原始群体更大）时，它更擅长复制朋友情绪的精确细节。但当他们构建一个压缩信息的侦达（即隐藏层比原始群体更小）时，它在保持群体处于那种特殊的“临界”状态方面表现得惊人地出色，即使细节并不完美。这就像是一个素描画家，要么画出每一颗雀斑（扩张型），要么捕捉整体的神韵（压缩型）。论文表明，为了重构一个关键社会时刻的“感觉”，压缩型艺术家实际上可能是更好的选择，即使画作在像素级上并不完美。
为了确保计算机不是在凭空幻觉，团队构建了一个“温度计”（一个独立的计算机程序）来测量群体的温度。这个温度计会检查群体是过于混乱（亚临界）、过于平静（超临界），还是恰好处于临界点（临界）。温度计在识别极端情况方面表现出色，但在临界点附近有时会感到困惑，这在复杂的系统中是很正常的。当他们测试“梦幻”出的群体时，他们发现，即使有一半的意见缺失，计算机仍然可以生成被温度计识别为接近临界点的群体。
该论文明确排除了仅仅通过延长计算机的猜测过程（更多的“吉布斯采样”步骤）就能变得更好的观点。事实上，增加步骤并没有帮助，反而可能让计算机过于僵化地记忆训练数据。他们还发现，计算机如何混合其“自下而上”的线索（它所看到的）与“自上而下”的猜测（它所学到的）会改变结果。如果计算机过度信任缺失的数据，它会感到困惑；如果它过度信任自己学到的模式，它就会失去精细的细节。这种平衡取决于缺失信息的多少。
最终，这项研究表明，虽然我们无法用缺失的数据完美地重建一个社会系统，但我们可以做到足够接近，从而保留住那份“临界”的魔力。计算机不需要知道每一个人的意见来理解群体的能量。这为将这些模型作为“假设检验”机器打开了大门。想象一下，如果我们能将社交媒体平台的局部数据输入到这样的系统中，并让它“梦幻”出公众舆论的全貌，从而帮助我们在极化危机爆发前识别它。论文并未声称已经解决了现实世界的问题——这仍然是在一个由 784 个智能体组成的网格上的模拟——但它证明了这一概念的可行性。它表明深度学习模型可以学习社会舆论中隐藏的物理规律，即使数据是杂乱、多噪且不完整的。
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。