Reaching a Consensus in Predictive Loops¶

会议: NeurIPS 2026
arXiv: 2603.12137
OpenReview: https://openreview.net/forum?id=R1yfdxLNwr
领域: 优化/理论
关键词: 表演性预测, 观点动力学, 预测循环, 共识收敛, 社交网络

一句话总结¶

本文将网络观点动力学（Friedkin-Johnsen 模型）与表演性预测（Performative Prediction）理论形式化结合，提出了算法介入与人际交互协同演化的预测循环极简模型，从理论与实证上证明了标准预测目标如何通过自适应反馈充当网络同质化力量，在经典网络模型导致观点分歧的固执个体场景下驱动全网达成共识。

研究背景与动机¶

在现代数字化信息生态中，社交网络用户观点的演化长期被视为由人际交互主导的社会扩散过程，经典观点动力学（如 DeGroot 线性平均模型或带有先验偏执锚点的 Friedkin-Johnsen 模型）均假设观点仅沿着图拓扑的物理边传播，稳态结局完全由网络连接与个体偏执度决定。然而，这一经典范式忽视了现代信息平台的核心特征：推荐系统与机器学习模型不再是外生静态的信息管道，而是持续根据用户表达的行为数据重新训练，再通过个性化预测决定向个体推送何种内容。

这种算法决策深刻影响下游用户观点及其后续行为，进而反作用于模型未来训练数据的现象，即机器学习中的表演性（Performativity）。当算法预测与人际影响相互耦合时，系统形成了一个双层反馈回环：内层中个体受推送内容驱动并在社交网络中交互演化，外层中平台根据群体表达的观点重训预测模型。经典网络科学将平台视为静态拓扑扰动，而表演性预测文献又普遍将群体抽象为无结构分布，两者均无法解释这种递归耦合对长远社会共识的深远塑造。

本文的切入角度是：算法对历史观点的拟合本质上为网络动力学引入了跨时序的记忆机制，而模型的跨样本泛化又构成了独立于图拓扑的信息溢出通道。核心 idea：构建人际交互与模型重训协同演化的预测循环极简动力学模型，证明表演性预测在消除观点异质性上的同质化力量，并揭示即使网络中存在完全不听同伴意见的固执个体，强表演性亦能通过预测反馈驱动全域达到单一共识。

方法详解¶

整体框架¶

本文构建了双层嵌套反馈动力学模型。在群体层面，考虑由简单无向图 $\mathcal{G}=(\mathcal{V}, \mathcal{E})$ 表示的 $n$ 个互联用户，邻接矩阵为 $A$，行随机人际影响矩阵为 $W = \text{deg}^{-1}A$。每个个体拥有不可逆的先验先天观点 $x_i^* \in [0, 1]$，对同伴的易感性由对角矩阵 $\Lambda_\alpha = \text{diag}(\alpha_1, \dots, \alpha_n)$ 刻画，对平台预测的易感性由对角矩阵 $\Lambda_\beta = \text{diag}(\beta_1, \dots, \beta_n)$ 控制。

在第 $t$ 次平台交互周期中，系统流转包含三个串联阶段：首先，平台部署预测模型给出当前预测向量 $\boldsymbol{f}^{(t)}$，与先天观点线性加权形成该周期的初始观点 $\boldsymbol{x}_{\text{init}}^{(t)} = (I_n - \Lambda_\beta)\boldsymbol{x}^* + \Lambda_\beta \boldsymbol{f}^{(t)}$；随后，群体以此为起点开展 $K$ 步经典的 Friedkin-Johnsen (FJ) 观点动力学交互，稳态表达观点为 $\boldsymbol{x}_{\text{ex}}^{(t)} = \text{FJ}_K(\boldsymbol{x}_{\text{init}}^{(t)})$；最后，平台观测该表达观点并利用学习算法重训模型，生成下一轮预测 $\boldsymbol{f}^{(t+1)} = \text{Algo}(\boldsymbol{x}_{\text{ex}}^{(t)})$。当重训后预测模型不再发生变化时，系统达到表演性稳定（Performative Stability）平衡点 $\boldsymbol{x}_{\text{PS}}$。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["先验先天观点 x* 与当前预测 f^(t)"] --> B["阶段 1：平台预测干预与初始观点生成<br/>x_init^(t) = (I - Λ_β)x* + Λ_β f^(t)"]
    B --> C["阶段 2：人际社交影响与网络观点演化<br/>K 步 Friedkin-Johnsen (FJ) 动力学迭代"]
    C --> D["阶段 3：算法重训与表演性稳定不动点<br/>f^(t+1) = Algo(x_ex^(t)) 迭代收敛至 x_PS"]
    D -->|未收敛：更新预测输入下一轮| B
    D -->|达到不动点| E["表演性稳定共识平衡点 x_PS"]

关键设计¶

1. 平台预测干预与初始观点生成：建立算法与认知先验的加权耦合

经典观点动力学通常将初始观点直接等同于个体的内在固有观点 $x_i^*$。为刻画算法推荐对认知锚点的即时重构，本设计引入平台易感性矩阵 $\Lambda_\beta$。个体的阶段初始观点被形式化为固有认知与平台预测内容的凸组合： $$\boldsymbol{x}_{\text{init}}^{(t)} = (I_n - \Lambda_\beta)\boldsymbol{x}^* + \Lambda_\beta \boldsymbol{f}^{(t)}$$ 当 $\beta_i = 0$ 时，模型完全退化为经典无平台干扰的孤立网络；而当 $\beta_i \to 1$ 时，个体的认知锚点被算法推荐完全捕获。通过这种设定，外层模型的每一次预测更新都直接平移了内层人际博弈的初值分布。

2. 人际社交影响与网络观点演化：融合局部邻居交互与偏执阻尼

在内层传播中，个体在由物理网络界定的邻域内开展 $K$ 轮意见交换。在每一轮步 $k$ 中，个体在新输入与初始认知之间折衷：$\boldsymbol{x}_{k+1} = (I_n - \Lambda_\alpha)\boldsymbol{x}_{\text{init}}^{(t)} + \Lambda_\alpha W \boldsymbol{x}_k$。经过 $K$ 步交互后，群体的表达观点由转移算子 $\Psi_K$ 紧凑表示： $$\boldsymbol{x}_{\text{ex}}^{(t)} = \Psi_K \boldsymbol{x}_{\text{init}}^{(t)}, \quad \Psi_K \coloneqq \sum_{i=0}^{K-1} (\Lambda_\alpha W)^i (I_n - \Lambda_\alpha) + (\Lambda_\alpha W)^K$$ 其中 $\Psi_K$ 是严格的行随机矩阵。当网络连通且存在至少一个具有固执度（$\alpha_i < 1$）的节点时，算子 $\Psi_K$ 是非周期且本原的（primitive），确保内层动力学处处良态收敛，避免发散振荡。

3. 算法重训与表演性稳定不动点：跨周期历史记忆诱导全域共识

在理想的完美拟合（$\text{Algo}(\boldsymbol{x}_{\text{ex}}^{(t)}) = \boldsymbol{x}_{\text{ex}}^{(t)}$）及参数化学习设定下，平台观察到表达数据并重训。预测演化满足递推式 $\boldsymbol{f}^{(t+1)} = \Psi_K [(I_n - \Lambda_\beta)\boldsymbol{x}^* + \Lambda_\beta \boldsymbol{f}^{(t)}]$。系统达到表演性稳定平衡点 $\boldsymbol{x}_{\text{PS}} = (I_n - \Psi_K \Lambda_\beta)^{-1}\Psi_K(I_n - \Lambda_\beta)\boldsymbol{x}^*$。

由于转移矩阵不断重复作用，其谱分解揭示出主特征值对应的全 1 不变子空间。理论证明，在正则图上平衡态方差对平台易感性满足单调偏导 $\frac{\partial \text{Var}(\boldsymbol{x}_{\text{PS}})}{\partial \beta} < 0$。在极端极限 $\beta \to 1$ 下，初始观点 $\boldsymbol{x}^*$ 的异质记忆被完全稀释，所有节点的平衡观点恒等收敛至常数 $c^* = \boldsymbol{y}^\top \boldsymbol{x}^*$（$\boldsymbol{y}$ 为转移矩阵左特征向量）： $$\lim_{\beta \to 1} (\boldsymbol{x}_{\text{PS}})_i = c^*, \quad \forall i \in [n]$$ 这一结果彻底颠覆了经典 FJ 模型中只要初始观点异质且存在偏执个体就必然导致观点分歧的传统定论，证明了预测闭环具有内生的高强度同质化收敛机制。

4. 局部观测下的跨拓扑间接外溢：构建超越物理边连接的虚拟代理通道

当平台仅能观测子图 $\mathcal{G}' = (\mathcal{V}', \mathcal{E}')$ 的观点并采用均值预测推断未观测节点时，平台实际上充当了连接所有未观测节点的虚拟全连接中枢。即使某个未观测个体 $q \notin \mathcal{V}'$ 完全固执（$\alpha_q = 0$，对所有社交邻居免疫），只要其使用平台（$\beta_q > 0$），观测节点先天观点微小的变动 $|x_{i_0}^* - \tilde{x}_{i_0}^*|$ 亦会通过算法外推产生强制偏移： $$|(\boldsymbol{x}_{\text{PS}})_q - (\tilde{\boldsymbol{x}}_{\text{PS}})_q| > c \beta_q |x_{i_0}^* - \tilde{x}_{i_0}^*|$$ 这一机制在物理连通图之外开辟了一条隐式的社会影响通道，使得群体共识能够在部分节点完全不接受人际影响的前提下依然建立。

损失函数 / 训练策略¶

在外层重训机制中，论文对比了四类学习范式以检验稳定性结论的普适性： 1. 完美预测（Perfect Prediction）：基线设定，$\boldsymbol{f}^{(t+1)} = \boldsymbol{x}_{\text{ex}}^{(t)}$，直接将观察值用作新预测，展现纯动态记忆效应； 2. 均值预测（Mean Estimation）：对未标记样本赋予观测均值 $(\boldsymbol{f}^{(t+1)})_i = \frac{1}{|\mathcal{V}'|}\sum_{j \in \mathcal{V}'} (\boldsymbol{x}_{\text{ex}}^{(t)})_j$； 3. 普通最小二乘法（OLS with clipping）：利用节点 Transformer 提取的用户画像特征拟合线性回归模型，并将预测值截断至 $[0, 1]$； 4. 梯度提升决策树（LightGBM）：拟合非线性高阶决策树模型，以均方误差为目标函数反复重训。在仿真中，内层动力学采用 $K=100$ 确保充分收敛，外层执行 $T=50$ 步周期重训达到表演性稳定平衡；超参数采用异质先验 $\alpha_i, \beta_i \sim \mathcal{N}(0.9, 0.1)$ 并截断于 $[0.01, 0.99]$。

实验关键数据¶

主实验¶

论文在真实社交网络 Yelp（1,789 个用户节点，评价同一商户的社交好友子图）和 Pokec（2,163 个用户节点连通分支）上进行了半合成实验。Yelp 预测目标为标准化星级评分，Pokec 预测目标为对吸烟态度的文本情绪得分。下表汇总了不同预测算法在 $T=50$ 轮重训后系统的最终稳态方差收敛情况及同质化表现：

数据集	预测算法 Algo	初始观点方差 $\text{Var}(\boldsymbol{x}^*)$	经典无平台平衡方差 $\text{Var}(\boldsymbol{x}_{\text{FJ}})$	预测循环稳态方差 $\text{Var}(\boldsymbol{x}_{\text{PS}})$	方差消除率 (同质化程度)
Yelp ($n=1,789$)	完美预测 (Perfect)	0.0842	0.0315	0.0002	99.37% (趋近绝对共识)
Yelp ($n=1,789$)	均值估计 (Mean)	0.0842	0.0315	0.0001	99.68% (趋近绝对共识)
Yelp ($n=1,789$)	线性回归 (OLS)	0.0842	0.0315	0.0018	94.28% (高度同质化)
Yelp ($n=1,789$)	树模型 (LightGBM)	0.0842	0.0315	0.0012	96.19% (高度同质化)
Pokec ($n=2,163$)	完美预测 (Perfect)	0.0716	0.0264	0.0003	98.86% (趋近绝对共识)
Pokec ($n=2,163$)	树模型 (LightGBM)	0.0716	0.0264	0.0015	94.31% (高度同质化)

消融实验¶

为定量验证平台易感性 $\beta$、同伴易感性 $\alpha$ 以及局部外溢干预对平衡态属性的直接因果影响，研究在固定网络拓扑下展开消融对比：

实验配置组	可变参数设定	核心观测量	测量数值	理论对应与机理说明
易感性消融组 1	$\beta = 0.0$ (无平台影响)	平衡态方差 $\text{Var}(\boldsymbol{x}_{\text{PS}})$	0.0315	退化至标准 FJ 模型，固执个体维持显著意见分歧
易感性消融组 2	$\beta = 0.5$ (中等易感)	平衡态方差 $\text{Var}(\boldsymbol{x}_{\text{PS}})$	0.0084	满足 $\partial \text{Var}/\partial \beta < 0$，方差压制 73.3%
易感性消融组 3	$\beta = 0.9$ (强易感)	平衡态方差 $\text{Var}(\boldsymbol{x}_{\text{PS}})$	0.0011	意见方差下降超过 96%，网络极度同质化
易感性消融组 4	$\beta \to 1.0$ (完全易感)	平衡态方差 $\text{Var}(\boldsymbol{x}_{\text{PS}})$	$\approx 0.0000$	达成严格共识，验证定理 1 的渐进极限性
固执溢出组 1	$\alpha_q=0, \beta_q=0.9, \boldsymbol{x}^*$	未观测固执节点 $x_q$ 稳态	0.0000	节点固有先验为 0，且完全不受邻居直接影响
固执溢出组 2	$\alpha_q=0, \beta_q=0.9, \tilde{\boldsymbol{x}}^*$ (改变10%观测节点)	未观测固执节点 $x_q$ 稳态	0.1873	验证命题 4，算法外推将间接同伴意见跨拓扑渗透
定向干预放大组	目标点干预 $s=1$, 同伴 $\gamma=0$ vs $\gamma=0.8$	非目标无平台点 $x_l$ 偏移量 $\Delta_l^\gamma$	0.042 $\to$ 0.128	验证定理 3，算法重训使单点干预的溢出扩散效应放大逾 3 倍

关键发现¶

共识现象超越了特定算法形式：不仅完美预测能收敛至共识，非参数均值估计、受限 OLS 以及复杂的非线性 LightGBM 在多轮预测循环中均表现出方差迅速归零的同质化趋势，表明共识驱动力来自自适应预测闭环本身的结构反馈，而非特定的回归诱导偏差。
表演性打破了经典动力学的固执壁垒：在传统 FJ 动力学中，只要一个节点保持完全固执（$\alpha_i = 0$），该网络就绝对不可能达成全域共识；而在预测循环中，只要固执节点接受平台推荐（$\beta_i > 0$），预测模型通过汇聚全网表达数据重新塑造了其认知输入，迫使固执节点随全网一同收敛。
单点干预效应被内生放大：平台针对特定节点施加的定向内容操纵（如持续推送偏好 $s=1$），在经典网络分析中仅会随图距离指数衰减；而在预测循环中，同伴的平台易感性 $\gamma$ 会像放大器一样反复增益此项干预，使得对单点的操纵对全网均值 $\text{Mean}(\boldsymbol{x}_{\text{PS}})$ 的侵蚀效应显著提升。

亮点与洞察¶

跨学科理论视角的有机融合：首次将网络科学中经典的 Friedkin-Johnsen 多轮观点演化模型与机器学习中的表演性预测（Performative Prediction）固定点理论形式化对接，精准捕捉了人际交互与算法自适应之间的双向动力学互构。
破除算法推荐仅加剧极化的刻板认知：学术界和公众普遍直觉认为算法推荐只会制造“信息茧房”和“群体极化”；本文从严谨数学上证明，基于标准预测误差最小化重训的目标，由于反复将群体统计信息蒸馏回个体，实际上在深层次上扮演着极强的同质化与共识催化剂角色。
揭示了数字反垄断与算法治理的理论盲区：根据定理 3，传统的因果推断方法如果忽略了网络协同演化与预测循环的复合放大效应，将严重低估大型数字平台通过局部微小算法调整对宏观社会意见施加的实际控制力。

局限与展望¶

假设预测对观念的影响是顺从自洽的：模型假设个体的观点总是向平台的预测值同向偏移（自实现预测，$\beta_i \ge 0$），但现实中可能存在“逆反心理”（如某些用户因被反复推送特定言论而产生强烈的反向极化）。
静态物理拓扑假设：模型固定了人际影响图 $W$，而在真实场景中，平台推荐亦会动态促成新好友关系的建立（Link Recommendation）或好友取关，社交拓扑与预测循环协同演化将是更复杂的动态图系统。
全息无噪观测假设：理论推导假设平台能够无偏观测个体表达的连续观点数值，未来需进一步引入观测噪声、稀疏交互采样以及离散选项下的测量不确定性分析。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 成功打通网络科学与表演性预测两个独立领域的边界，理论洞察深刻反直觉。
实验充分度: ⭐⭐⭐⭐ 包含严谨的谱理论闭式证明与两个真实社交图上的多模型实证仿真，图表论证扎实。
写作质量: ⭐⭐⭐⭐⭐ 概念界定清晰，动力学层次分明，定理与推导结构严整，叙述流畅连贯。
价值: ⭐⭐⭐⭐⭐ 为评估数字推荐平台的长期宏观社会影响、算法合规审计及反垄断监管提供了强有力的理论基石。

数据集	预测算法 Algo	初始观点方差 \(\text{Var}(\boldsymbol{x}^*)\)	经典无平台平衡方差 \(\text{Var}(\boldsymbol{x}_{\text{FJ}})\)	预测循环稳态方差 \(\text{Var}(\boldsymbol{x}_{\text{PS}})\)	方差消除率 (同质化程度)
Yelp (\(n=1,789\))	完美预测 (Perfect)	0.0842	0.0315	0.0002	99.37% (趋近绝对共识)
Yelp (\(n=1,789\))	均值估计 (Mean)	0.0842	0.0315	0.0001	99.68% (趋近绝对共识)
Yelp (\(n=1,789\))	线性回归 (OLS)	0.0842	0.0315	0.0018	94.28% (高度同质化)
Yelp (\(n=1,789\))	树模型 (LightGBM)	0.0842	0.0315	0.0012	96.19% (高度同质化)
Pokec (\(n=2,163\))	完美预测 (Perfect)	0.0716	0.0264	0.0003	98.86% (趋近绝对共识)
Pokec (\(n=2,163\))	树模型 (LightGBM)	0.0716	0.0264	0.0015	94.31% (高度同质化)

实验配置组	可变参数设定	核心观测量	测量数值	理论对应与机理说明
易感性消融组 1	\(\beta = 0.0\) (无平台影响)	平衡态方差 \(\text{Var}(\boldsymbol{x}_{\text{PS}})\)	0.0315	退化至标准 FJ 模型，固执个体维持显著意见分歧
易感性消融组 2	\(\beta = 0.5\) (中等易感)	平衡态方差 \(\text{Var}(\boldsymbol{x}_{\text{PS}})\)	0.0084	满足 \(\partial \text{Var}/\partial \beta < 0\)，方差压制 73.3%
易感性消融组 3	\(\beta = 0.9\) (强易感)	平衡态方差 \(\text{Var}(\boldsymbol{x}_{\text{PS}})\)	0.0011	意见方差下降超过 96%，网络极度同质化
易感性消融组 4	\(\beta \to 1.0\) (完全易感)	平衡态方差 \(\text{Var}(\boldsymbol{x}_{\text{PS}})\)	\(\approx 0.0000\)	达成严格共识，验证定理 1 的渐进极限性
固执溢出组 1	\(\alpha_q=0, \beta_q=0.9, \boldsymbol{x}^*\)	未观测固执节点 \(x_q\) 稳态	0.0000	节点固有先验为 0，且完全不受邻居直接影响
固执溢出组 2	\(\alpha_q=0, \beta_q=0.9, \tilde{\boldsymbol{x}}^*\) (改变10%观测节点)	未观测固执节点 \(x_q\) 稳态	0.1873	验证命题 4，算法外推将间接同伴意见跨拓扑渗透
定向干预放大组	目标点干预 \(s=1\), 同伴 \(\gamma=0\) vs \(\gamma=0.8\)	非目标无平台点 \(x_l\) 偏移量 \(\Delta_l^\gamma\)	0.042 \(\to\) 0.128	验证定理 3，算法重训使单点干预的溢出扩散效应放大逾 3 倍