Submit Search
Upload
社会の意見のダイナミクスを物理モデルとして考えてみる
•
2 likes
•
5,970 views
T
takeshi0406
Follow
http://zansa.info/
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 25
Download now
Download to read offline
Recommended
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
データサイエンス概論第一=4-2 確率と確率分布
データサイエンス概論第一=4-2 確率と確率分布
Seiichi Uchida
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
[DL輪読会]Bayesian Uncertainty Estimation for Batch Normalized Deep Networks
[DL輪読会]Bayesian Uncertainty Estimation for Batch Normalized Deep Networks
Deep Learning JP
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
Counterfaual Machine Learning(CFML)のサーベイ
Counterfaual Machine Learning(CFML)のサーベイ
ARISE analytics
Recommended
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
データサイエンス概論第一=4-2 確率と確率分布
データサイエンス概論第一=4-2 確率と確率分布
Seiichi Uchida
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
[DL輪読会]Bayesian Uncertainty Estimation for Batch Normalized Deep Networks
[DL輪読会]Bayesian Uncertainty Estimation for Batch Normalized Deep Networks
Deep Learning JP
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
Counterfaual Machine Learning(CFML)のサーベイ
Counterfaual Machine Learning(CFML)のサーベイ
ARISE analytics
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
「世界モデル」と関連研究について
「世界モデル」と関連研究について
Masahiro Suzuki
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
金融情報における時系列分析
金融情報における時系列分析
Fujio Toriumi
生成モデルの Deep Learning
生成モデルの Deep Learning
Seiya Tokui
道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際
Ichigaku Takigawa
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
Kenji Urai
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925
小川 雄太郎
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
Active Learning と Bayesian Neural Network
Active Learning と Bayesian Neural Network
Naoki Matsunaga
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
AHC-Lab M1勉強会 論文の読み方・書き方
AHC-Lab M1勉強会 論文の読み方・書き方
Shinagawa Seitaro
決定木・回帰木に基づくアンサンブル学習の最近
決定木・回帰木に基づくアンサンブル学習の最近
Ichigaku Takigawa
深層学習の数理
深層学習の数理
Taiji Suzuki
PythonによるDeep Learningの実装
PythonによるDeep Learningの実装
Shinya Akiba
【Zansa】第17回 ブートストラップ法入門
【Zansa】第17回 ブートストラップ法入門
Zansa
More Related Content
What's hot
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
「世界モデル」と関連研究について
「世界モデル」と関連研究について
Masahiro Suzuki
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
金融情報における時系列分析
金融情報における時系列分析
Fujio Toriumi
生成モデルの Deep Learning
生成モデルの Deep Learning
Seiya Tokui
道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際
Ichigaku Takigawa
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
Kenji Urai
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925
小川 雄太郎
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
Active Learning と Bayesian Neural Network
Active Learning と Bayesian Neural Network
Naoki Matsunaga
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
AHC-Lab M1勉強会 論文の読み方・書き方
AHC-Lab M1勉強会 論文の読み方・書き方
Shinagawa Seitaro
決定木・回帰木に基づくアンサンブル学習の最近
決定木・回帰木に基づくアンサンブル学習の最近
Ichigaku Takigawa
深層学習の数理
深層学習の数理
Taiji Suzuki
What's hot
(20)
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
「世界モデル」と関連研究について
「世界モデル」と関連研究について
関数データ解析の概要とその方法
関数データ解析の概要とその方法
階層ベイズとWAIC
階層ベイズとWAIC
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
ベイズファクターとモデル選択
ベイズファクターとモデル選択
金融情報における時系列分析
金融情報における時系列分析
生成モデルの Deep Learning
生成モデルの Deep Learning
道具としての機械学習:直感的概要とその実際
道具としての機械学習:直感的概要とその実際
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
Active Learning と Bayesian Neural Network
Active Learning と Bayesian Neural Network
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
AHC-Lab M1勉強会 論文の読み方・書き方
AHC-Lab M1勉強会 論文の読み方・書き方
決定木・回帰木に基づくアンサンブル学習の最近
決定木・回帰木に基づくアンサンブル学習の最近
深層学習の数理
深層学習の数理
Viewers also liked
PythonによるDeep Learningの実装
PythonによるDeep Learningの実装
Shinya Akiba
【Zansa】第17回 ブートストラップ法入門
【Zansa】第17回 ブートストラップ法入門
Zansa
Zansa0802
Zansa0802
Yoshifumi Seki
Zansa第12回資料 「ソーシャルゲームでは、データがユーザーを理解する!」
Zansa第12回資料 「ソーシャルゲームでは、データがユーザーを理解する!」
Shota Kubo
再発事象の解析をやってみる
再発事象の解析をやってみる
Atsushi Hayakawa
121218 zansa13 for web
121218 zansa13 for web
Zansa
補足資料 財務3表の基礎知識
補足資料 財務3表の基礎知識
horihorio
Zansa アト テクノロシ-ー業界の分析という仕事について http://zansa.info/materials-11.html
Zansa アト テクノロシ-ー業界の分析という仕事について http://zansa.info/materials-11.html
Zansa
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
Zansa
ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実
Takashi J OZAKI
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
統計と会計 - Zansa#19
統計と会計 - Zansa#19
horihorio
【Zansa】 人工社会-複雑系とマルチエージェントシミュレーションの紹介-
【Zansa】 人工社会-複雑系とマルチエージェントシミュレーションの紹介-
Zansa
月次決算と年次決算
月次決算と年次決算
SSAccounting
Bsとplの関係
Bsとplの関係
SSAccounting
Reconf_201409
Reconf_201409
Takefumi MIYOSHI
事業開発メソッド
事業開発メソッド
Valiant HERO Inc.
itou m
itou m
harmonylab
光発振器ネットワークで組合せ最適化問題を解くコヒーレントイジングマシン
光発振器ネットワークで組合せ最適化問題を解くコヒーレントイジングマシン
Utsunomiya Shoko
京都大学鹿島研究室勉強会資料-配布用-
京都大学鹿島研究室勉強会資料-配布用-
Koichiro Kondo
Viewers also liked
(20)
PythonによるDeep Learningの実装
PythonによるDeep Learningの実装
【Zansa】第17回 ブートストラップ法入門
【Zansa】第17回 ブートストラップ法入門
Zansa0802
Zansa0802
Zansa第12回資料 「ソーシャルゲームでは、データがユーザーを理解する!」
Zansa第12回資料 「ソーシャルゲームでは、データがユーザーを理解する!」
再発事象の解析をやってみる
再発事象の解析をやってみる
121218 zansa13 for web
121218 zansa13 for web
補足資料 財務3表の基礎知識
補足資料 財務3表の基礎知識
Zansa アト テクノロシ-ー業界の分析という仕事について http://zansa.info/materials-11.html
Zansa アト テクノロシ-ー業界の分析という仕事について http://zansa.info/materials-11.html
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実
幾何を使った統計のはなし
幾何を使った統計のはなし
統計と会計 - Zansa#19
統計と会計 - Zansa#19
【Zansa】 人工社会-複雑系とマルチエージェントシミュレーションの紹介-
【Zansa】 人工社会-複雑系とマルチエージェントシミュレーションの紹介-
月次決算と年次決算
月次決算と年次決算
Bsとplの関係
Bsとplの関係
Reconf_201409
Reconf_201409
事業開発メソッド
事業開発メソッド
itou m
itou m
光発振器ネットワークで組合せ最適化問題を解くコヒーレントイジングマシン
光発振器ネットワークで組合せ最適化問題を解くコヒーレントイジングマシン
京都大学鹿島研究室勉強会資料-配布用-
京都大学鹿島研究室勉強会資料-配布用-
Similar to 社会の意見のダイナミクスを物理モデルとして考えてみる
複合システムネットワーク論を読む(公開版)
複合システムネットワーク論を読む(公開版)
考司 小杉
D論発表用
D論発表用
Kazuhiko Ota
妄想社会学 -夜のコミュニケーション論-
妄想社会学 -夜のコミュニケーション論-
Tsubasa Ito
妄想社会学 -夜のコミュニケーション論-
妄想社会学 -夜のコミュニケーション論-
yudemen555
妄想社会学 -夜のコミュニケーション論-
妄想社会学 -夜のコミュニケーション論-
Tsubasa Ito
Personal Media Strategy - パーソナルメディア戦略
Personal Media Strategy - パーソナルメディア戦略
Naoki Sugiura
JWEIN2014 中西講演: 社会心理学者は「創発」をどう考えるか?
JWEIN2014 中西講演: 社会心理学者は「創発」をどう考えるか?
Daisuke Nakanishi
Similar to 社会の意見のダイナミクスを物理モデルとして考えてみる
(7)
複合システムネットワーク論を読む(公開版)
複合システムネットワーク論を読む(公開版)
D論発表用
D論発表用
妄想社会学 -夜のコミュニケーション論-
妄想社会学 -夜のコミュニケーション論-
妄想社会学 -夜のコミュニケーション論-
妄想社会学 -夜のコミュニケーション論-
妄想社会学 -夜のコミュニケーション論-
妄想社会学 -夜のコミュニケーション論-
Personal Media Strategy - パーソナルメディア戦略
Personal Media Strategy - パーソナルメディア戦略
JWEIN2014 中西講演: 社会心理学者は「創発」をどう考えるか?
JWEIN2014 中西講演: 社会心理学者は「創発」をどう考えるか?
社会の意見のダイナミクスを物理モデルとして考えてみる
1.
社会の意見のダイナミクスを 物理モデルとして考えてみる @takeshi0406
2.
自己紹介 @takeshi0406 世論形成のダイナミクスを統計物理っぽく研究しています
趣味:音楽とTwitter
3.
いわゆる「社会シミュレーション」や 「マルチエージェントシミュレーショ ン」の話です
4.
Introduction 1. 社会シミュレーションの目指すもの
2. 意見モデル(Opinion model)について • 人って「同調」する生き物だよね • 「同調」する一番簡単なモデル→Ising model 3. Ising modelで説明できる現象
5.
1.そもそも社会シミュレーション って何を目指してるの?
6.
シミュレーションの目的は二つ 1. 理解
「なぜ利他的な行動は競争環境下でも生き残るのか」「なぜバブルは発生するのか」 「なぜ人種や宗教による棲み分けは発生するのか」 2. 予測 「テーマパークの混雑状況を知らせることで、混雑がどの程度減少するのか」「電 気自動車の充電設備をどこに配置したらいいのか」 参考:鳥海不二夫, 山本仁志, (2014), マルチエージェントシミュレーションの基本設計, ”情報処理”, Vol.55, 530-538
7.
シミュレーションの目的は二つ 「普遍的な性質を説明する」 →物理学はこっちを目指す
1. 理解 「なぜ利他的な行動は競争環境下でも生き残るのか」「なぜバブルは発生するのか」 「なぜ人種や宗教による棲み分けは発生するのか」 2. 予測 「テーマパークの混雑状況を知らせることで、混雑がどの程度減少するのか」「電 気自動車の充電設備をどこに配置したらいいのか」 参考:鳥海不二夫, 山本仁志, (2014), マルチエージェントシミュレーションの基本設計, ”情報処理”, Vol.55, 530-538
8.
目的によって「良い」モデルが 違う! 「普遍的な性質を説明する」
→物理学はこっちを目指す 1. 理解 「なぜ利他的な行動国は競や争場環所境下にで関もわ生らき残ずる似のたか現」「象ながぜ発バブ生 ルは発生するのか」 「なぜ人→種や共宗通教すにるよる「棲本み質分」けは的発な生要す素るのでかモ」 デリング(抽象的) 2. 予測 「テーマパークの混雑(状例況えを知ばら)せ混る雑こと状で況、を混雑予が測どしのた程度い 減少するのか」「電 気自動車の→充ア電ト設備ラをクどシこョに配ン置のし配た置らいないどのをか再」 現する(具体的) 参考:鳥海不二夫, 山本仁志, (2014), マルチエージェントシミュレーションの基本設計, ”情報処理”, Vol.55, 530-538
9.
具体的に どんなことをしているか
10.
1.人(エージェント) を配置 3.社会科学の複雑な性質
を説明する 2.相互作用のルール を設定 参考:“Opinion formation on social media: An empirical approach” http://scitation.aip.org/content/aip/ journal/chaos/24/1/10.1063/1.4866011
11.
1.人(エージェント) を配置 3.社会科学の複雑な性質
を説明する globalな性質が どう変わるか 2.相互作用のルール を設定 人・相互作用の ルールを変更 参考:“Opinion formation on social media: An empirical approach” http://scitation.aip.org/content/aip/ journal/chaos/24/1/10.1063/1.4866011
12.
2.意見モデル(Opinion model) について
13.
意見モデル(Opinion model)における 相互作用の最重要ルール
「他人に同調する」
14.
人の意見の「同調」する性質 • 社会的影響(social
influence) ex.高校生のコミュニティの間で、薬物使用が「感染」する • ネットワーク効果(network effect) ex.通信機器は、普及すればするほど便利になる • 人の移動 自分と似た人の多い地域に移動する(Schelling,1971) 参考:David Easley, Jon Kleinberg著, 浅野孝夫, 浅野泰仁訳 (2013)『ネットワーク・大衆・マーケット などなど ―現代社会の複雑な連結性についての推論―』
15.
たくさんのものが「同調」する 性質をもつ物理モデル =Ising
model
16.
Ising model •
磁性体の性質を単純化したモデル • 各格子点は+1か-1のスピンをもつ • (強磁性体の場合)周囲の格子点 と同じ状態をとる”確率が高い” • ほとんどの分子が同じ向きに揃っ た場合、その磁性体は磁力をもつ • 「相転移」 格子点=原子 +1 -1 -1 -1
17.
Ising model をOpinion
modelとして見た場合 • 磁性体の性質を単純化したモデル • 各格子点は+1か-1のスピンをもつ • (強磁性体の場合)周囲の格子点 と同じ状態をとる”確率が高い” • ほとんどの分子が同じ向きに揃っ た場合、その磁性体は磁力をもつ • 「相転移」 格子点=原子 たとえば「賛成」「反対」 人間 社会的な合意のとれた状態 社会の合意形成プロセス +1 -1 -1 -1
18.
3.Ising modelのもつ性質で 説明できる現象の例
19.
例)意見の同期と反転 ドイツの経済誌の調査 ビジネスマネージャーに「今後の経済予想」を毎年アンケー
ト(positive, negative or neutral) → 集計すると、強く 悲観的 or 楽観的に振れる性質 参考:“Social application of two-dimensional Ising models” http://arxiv.org/abs/0706.3983
20.
例)意見の同期と反転 Ising model(positive
or negative) 好況・不況の波を外部磁場として与えてシミュレーション (適当なサイン関数で) 参考:“Social application of two-dimensional Ising models” http://arxiv.org/abs/0706.3983
21.
例)意見の同期と反転 ちょっとした磁場の変化で 全体の状態が反転してしまう参考:“Social
application of two-dimensional Ising models” http://arxiv.org/abs/0706.3983
22.
例)意見の同期と反転 ちょっとしたきっかけで 「流行」が発生
→「バブル」を説明? 参考:“Social application of two-dimensional Ising models” http://arxiv.org/abs/0706.3983 ちょっとした外部磁場で 全体の状態が反転してしまう
23.
とはいえ、Ising modelって 単純すぎるよね
24.
他に考えるべき(かもしれない) 社会のいろいろな要素 •
複雑ネットワーク構造 • 例えばコミュニティ間で普及がストップ • エージェントがOpinionとActionの二つの変数 • 意見の状態数を増やす or 連続値にする • Ising modelでは意見の「過激さ」が表現できない • 人の個性(変数のばらつき)を入れる • (多分)スピングラスモデル 参考:“Continuous Opinions and Discrete Actions in Opinion Dynamics Problems” http://arxiv.org/abs/0711.1199 など
Download now