Source-linked AI summary
On Krause's multi-agent consensus model with state-dependent connectivity (Extended version)
Vincent D. Blondel, Julien M. Hendrickx, John N. Tsitsiklis
TL;DR
이 논문은 Krause-model opinion cluster가 보장된 거리 1보다 대개 더 큰 간격으로 분리되는 이유를 다룬다. 수렴과 안정성의 bound를 증명해 equal-weight stable cluster 사이의 거리가 최소 2 이상이어야 함을 보이고, continuum agent로 분석을 확장한다.
문제
이 논문은 Krause-model opinion cluster가 대개 1보다 상당히 큰 거리로, 보통 2에 가까운 간격으로 분리되는 이유를 분석한다.
방법
이 논문은 discrete-agent 수렴을 증명하고, agent perturbation에 대한 stability를 도입하며, regularity assumption 아래 continuum-agent variant를 분석한다.
결과
stable equilibrium의 equal-weight cluster는 최소 2 이상 떨어져 있어야 하며, continuum model은 최소 1 이상의 간격으로 분리된 discrete-valued state로 수렴한다.
시사점 및 한계
stability 분석은 흔히 관찰되는 약 2.2의 inter-cluster distance를 설명하는 데 근접하며, continuum 결과는 stable equilibrium으로의 generic convergence를 뒷받침한다.
시사점 및 한계
higher-dimensional opinion space로의 확장에서는 stability condition이 더 복잡해지며, 이를 형식적으로 분석하기는 어려워 보인다.
Abstract
from arXiv · showhide
We study a model of opinion dynamics introduced by Krause: each agent has an opinion represented by a real number, and updates its opinion by averaging all agent opinions that differ from its own by less than 1. We give a new proof of convergence into clusters of agents, with all agents in the same cluster holding the same opinion. We then introduce a particular notion of equilibrium stability and provide lower bounds on the inter-cluster distances at a stable equilibrium. To better understand the behavior of the system when the number of agents is large, we also introduce and study a variant involving a continuum of agents, obtaining partial convergence results and lower bounds on inter-cluster distances, under some mild assumptions.
I. 서론
이 논문은 에이전트들이 거리 1 이내의 의견을 동기적으로 평균내는 Krause의 deterministic bounded-confidence model을 분석하고, 이를 continuum agents로 확장한다. 또한 수렴을 증명하고 stable equilibria를 특성화하며, partial continuum results를 도출하고 large discrete populations와 continuous model 사이의 연계를 밝힌다.
- 모델: discrete-agent model은 각 에이전트의 의견을 자신과 1 미만의 차이를 보이는 에이전트들의 의견과 동기적으로 평균내며, state-dependent interaction topologies를 만든다.에이전트는 항상 자기 자신의 neighbor이며, opinion이 변함에 따라 interaction graph도 변한다.
- 관련 model: Krause의 model은 deterministic bounded-confidence system으로, 무작위로 선택한 에이전트 쌍을 업데이트하는 stochastic Deffuant–Weisbuch model과 대조된다.두 model 모두 confidence threshold를 사용하지만, Krause의 model은 에이전트들을 동시에 업데이트한다.
- 기여: 이 논문은 discrete model이 opinion clusters로 수렴함을 증명하고, 에이전트를 추가하는 것에 대한 robustness를 바탕으로 equilibrium stability를 도입한다.inter-cluster distances에 대한 조건을 통해 stable equilibria를 특성화하지만, 제공된 본문에는 완전한 조건이 제시되어 있지 않다.
- Continuous-agent model: continuum agents에 대해 이 논문은 regularity assumptions하에서 partial convergence results와 inter-cluster distances의 lower bounds를 제시한다.continuous-agent model은 에이전트를 실수로 색인하며, discrete-time density-based Hegselmann–Krause model [24]과 동등하다.
- model 간 관계: 이 논문은 discrete agents가 많을 때 discrete-agent dynamics가 continuous-agent model을 approximate함을 보인다.continuum formulation은 Lorenz가 도입한 interactive Markov chain model과도 연결된다.
II. 이산 에이전트 모델 · A. 기본 성질과 수렴
이산 에이전트 모델은 의견의 순서를 보존하며, 결국 독립적인 그룹들로 분해되고 각 그룹의 의견은 유한 시간 내에 클러스터로 수렴한다. 그러나 수렴 시간의 상계는 에이전트 수에 의존하며, 가산 무한 에이전트에서는 유한 시간 수렴이 성립하지 않거나 다양체 위에서 더 가까운 평형이 존재할 수 있다.
- A. 기본 성질과 수렴: 의견의 순서는 보존된다: x_i(0) ≤ x_j(0)이면 모든 시간 t에 대해 x_i(t) ≤ x_j(t)이다.따라서 일반성을 잃지 않고 초기 의견이 정렬되어 있다고 가정할 수 있다.
- A. 기본 성질과 수렴: 최솟값 의견은 비감소하고 최댓값 의견은 비증가한다. 연속한 의견의 차이가 1 이상이 되면 시스템은 영구적으로 독립적인 부분 시스템들로 분리된다.하위 그룹은 그 간극을 넘어 증가할 수 없고 상위 그룹은 그 간극을 가로질러 감소할 수 없으므로 분리가 유지된다.
- A. 기본 성질과 수렴: 관련 모델들과 달리 평균 의견은 보존될 필요가 없으며, 분산은 때때로 증가할 수 있다.이 대목은 이 모델을 Deffuant-Weisbuch model 및 의 continuous-time model과 대조한다.
- A. 기본 성질과 수렴: 모든 에이전트의 의견은 유한 시간 내에 수렴하며, 임의의 두 극한 클러스터는 동일하거나 최소 1만큼 떨어져 있다.클러스터는 극한값, 또는 공통값으로 수렴하는 에이전트들의 집합이다.
- A. 기본 성질과 수렴: 유한 에이전트 수렴 시간은 n에만 의존하는 상수 c(n)으로 제한되지만, 의견이 고정된 구간에 남아 있더라도 n과 무관한 상계는 존재하지 않는다.0.1, 1, 1.9에 위치한 의견을 사용하는 구성은 하나의 클러스터로 수렴하지만 n이 증가함에 따라 수렴 시간이 발산한다.
- A. 기본 성질과 수렴: 적절하게 재귀적으로 증가하는 초기 의견 분포를 갖는 가산 무한 모집단에서는 유한 에이전트 수렴 정리가 성립하지 않는다.이 예에서는 α ∈ (1/2, 1)에 대해 양의 의견들의 중복도가 m(α(k + 1)) = m(αk) + 3m(α(k −1))을 만족한다.
B. 실험적 관찰
실험 결과, Krause-model cluster는 대체로 1보다 훨씬 큰 거리로 분리되어 일반적인 상한이 허용하는 것보다 적은 수의 cluster를 형성한다. Cluster 위치는 L에 대해 piecewise continuous하게 변하며, simulation에서는 약 2.2의 간격과 결국 병합되는 metastable한 준분리 group이 관찰된다.
- Theorem 1은 최대 ⌈L⌉+1개의 cluster를 허용하지만, 관찰된 cluster 간 거리는 대개 1보다 훨씬 커서 cluster 수가 상당히 적다.
- Cluster 위치는 L에 대해 piecewise continuous하게 변하며, 불연속점은 새로운 cluster의 형성 또는 cluster splitting을 나타낸다. Cluster 수는 계수 1/2보다 약간 작은 값으로 거의 선형 증가한다.
- (b): [0,∞)에서 균일하게 배치된 opinion의 경우, agent는 결국 독립적으로 진화하는 유한한 group을 형성하며, 인접한 equilibrium cluster 사이의 간격은 약 2.2로 분리된다.Influence가 1만큼 확장되고 각 update가 opinion을 1 미만만큼 변화시키므로, Information은 한 iteration에서 최대 거리 2만큼만 전파된다.
- (c): 두 cluster가 형성되는 threshold 근처에서 system은 1보다 약간 큰 거리로 떨어진 group이 isolated intermediate agent에 의해 서서히 서로 끌려온 뒤 병합되는 metastable state에 진입할 수 있다.
C. 교란 agent에 대한 안정성
이 절에서는 임의로 작은 교란 agent의 효과가 사라지는지를 통해 안정성을 정의하고, 가중된 클러스터 간 거리를 이용해 안정 평형을 정확히 특성화한다. 또한 smooth random 초기 opinion을 갖는 large system이 거의 확실히 안정 평형으로 수렴한다는 conjecture를 뒷받침하는 관찰을 제시한다.
- 가중 model: 가중 model은 기존 convergence 결과를 보존하며, 같은 위치에 있는 agent들은 multiplicity와 같은 weight를 갖는 단일 agent로 동등하게 나타낼 수 있다.Cluster weight는 구성 agent weight의 합이다.
- Stability 정의: Equilibrium stability는 추가된 agent의 weight δ가 0으로 갈 때 perturbation으로 유발된 displacement의 supremum이 사라지도록 요구함으로써 정의된다.Instability는 임의로 작은 perturbing agent가 equilibrium에 상당한 변화를 일으킬 수 있음을 뜻한다.
- Stability 특성화: Equilibrium은 equal-weight cluster들의 거리가 at least 2이고, unequal-weight cluster들의 separation이 1 + min(W_A,W_B)/max(W_A,W_B)를 초과할 때 정확히 stable하다.따라서 unequal-weight cluster들은 2보다 작은 거리로도 stable하게 분리될 수 있지만, equal-weight cluster들은 거리가 at least 2여야 한다.
- 예시와 함의: Figure 5는 1.6138만큼 떨어진 cluster들로의 stable convergence를 보이며, 이는 unequal-weight threshold 1.2559를 초과한다.그 결과 생성된 cluster에는 각각 153명과 598명의 agent가 포함된다.
- 대규모 시스템의 거동: 저자들은 연결된 support를 갖는 연속 유계 density에서 무작위로 독립 추출한 opinion들의 경우, agent 수가 증가함에 따라 안정 평형으로의 수렴 확률이 1로 수렴한다고 conjecture한다.광범위한 수치적 증거와, 중간에 위치한 agent들이 불안정한 평형을 방지한다는 직관을 제시하지만, 일반적으로 안정성으로의 수렴이 보장되는 것은 아니라고 지적한다.
III. 연속 에이전트 모델
이 절에서는 I = [0, 1]로 색인된 연속체 에이전트와 가측이고 유계인 음이 아닌 의견으로 Krause의 opinion dynamics를 확장한다. 모델의 well-definedness와 weighted discrete model과의 연계를 확립한 뒤, 수렴과 stable equilibrium에서의 클러스터 간 거리를 연구한다.
- III. 연속 에이전트 모델: 연속 에이전트 모델은 각 α ∈ I = [0, 1]에 measurable opinion x_t(α)를 할당하며, 그 값은 0과 양의 상수 L 사이로 bounded된다.초기 opinion function은 X_L에 속하고, dynamics는 모든 t > 0에 대해 이 공간을 보존한다.
- III. 연속 에이전트 모델: zero denominator가 발생하더라도 영향을 받는 opinion을 unchanged로 유지하면 dynamics가 well-defined하며, 예외적인 에이전트들은 measure-zero set을 이루므로 무시할 수 있다.이 모델은 confidence set C_x의 indicator로 χ_x를 사용한다.
- III. 연속 에이전트 모델: 시간이 지나도 opinion ordering은 보존되며, finite-valued initial condition에서는 continuous model이 에이전트 index set의 measure와 같은 weight를 갖는 weighted discrete model과 일치한다.이는 x_t(α) ≤ x_t(β)와 같은 관계와, 한 번 성립한 equality를 보존한다.
- III. 연속 에이전트 모델: 이 절에서는 적절하게 정의된 stable equilibrium에서의 convergence property와 inter-cluster distance를 분석한다.이 문제들이 이후 continuous-agent model 연구의 동기가 된다.
A. 연산자 형식화
연속 에이전트 모델은 adjacency, degree, inverse-degree, Laplacian operator를 통해 형식화되며, measurable opinion function에 graph와 matrix 도구를 확장한다. 이 operator들은 scalar product에 대해 symmetric이고, fixed point는 거의 모든 점에서 L_x x = 0을 만족하며, 서로 다른 opinion들이 최소 1만큼 차이 나는 configuration도 포함한다.
- A. 연산자 형식화: 이 모델은 continuous adjacency operator A_x와 degree function d_x를 정의하며, A_x는 continuous adjacency kernel χ_x에 의한 곱셈에 해당하고 d_x는 각 agent의 connected-agent set을 측정한다.degree function은 operator D_x를 유도하며, d_x가 모든 곳에서 양수이면 D_x^-1은 1/d_x를 곱한다.
- A. 연산자 형식화: Laplacian은 L_x = D_x − A_x로 정의되며 L_x1 = 0을 만족한다. 이는 graph Laplacian matrix의 대응하는 성질과 평행하다.이후의 operator analysis를 위해 measurable function에 대한 scalar product도 도입한다.
- A. 연산자 형식화: operator A_x, D_x, L_x는 scalar product에 대해 symmetric이다.A_x의 symmetry는 kernel identity χ_x(α, β) = χ_x(β, α)에서 따르며, linearity에 의해 그 결과가 L_x 및 다른 linear combination으로 확장된다.
- A. 연산자 형식화: Fixed point는 거의 모든 점에서 L_xx = 0으로 특징지어지며, d_x = 0인 measure-zero set에서도 이 형식화는 유효하다.fixed-point set에는 서로 다른 두 opinion이 최소 1만큼 차이 나는 configuration이 포함된다.
B. 수렴
연속체-agent model은 부분적 수렴을 보인다. opinion 변화는 사라지고 trajectory는 값들이 서로 1 이상 떨어져 있는 함수들의 집합에 가까워진다. fixed point는 정확히 이 집합의 closure이며, 단일 원소로의 수렴은 여전히 conjectural하다.
- 수렴 결과: Theorem 4는 충분히 작은 |L_xx|_µ가 F에 대한 근접성을 함의하고, L_xx =_µ 0이면 F의 closure에 속함을 보인다.모든 ε > 0에 대해, 어떤 δ > 0가 존재하여 |L_xx|_µ < δ이면 |x − s|_µ < ε인 s ∈ F가 존재한다.
- 수렴 결과: Theorem 5는 opinion 변화가 사라지고, trajectory가 F에 가까워지며, fixed가 아닌 periodic trajectory는 발생할 수 없음을 증명한다.여기서 F는 값들이 서로 1 이상 떨어져 있는 discrete value를 취하는 함수들의 집합이다.
- Fixed point: 함수가 fixed point인 것은 정확히 그 함수가 F의 closure에 속할 때이다.정방향은 x ∈ F̄에 대해 즉시 따른다. 역방향은 constant trajectory에 대한 F로의 수렴을 이용한다.
- Limit point: 모든 limit point는 값들이 서로 1 이상 떨어져 있는 discrete value에 지지된 opinion distribution을 가지며, 적어도 하나의 limit point가 존재한다.존재성은 weak topology에서 관련 measure의 semi-compactness로부터 따른다.
- 미해결 문제: 이 결과들은 F의 단일 원소로의 수렴을 확립하지 못하며, 이는 여전히 미해결 conjecture로 남아 있다.conjecture는 어떤 x* ∈ F가 존재하여 x_t →_µ x*임을 주장한다.
C. 클러스터 간 거리와 평형의 안정성
이 절에서는 클러스터 간 분리를 통해 continuum 평형의 안정성을 규정하고, 2보다 큰 persistent span을 갖는 regular 수렴 궤적이 separation condition을 만족함을 보인다. 또한 regular 초기 의견에서 가능한 두 결과, 즉 최대 두 클러스터로의 붕괴 또는 regular regime 내 수렴을 식별한다.
- 평형의 안정성: continuum model에서 안정성은 평형에 충분히 가까이서 시작하는 모든 궤적이 임의로 주어진 neighborhood 안에 모든 시간 동안 머물도록 정의된다.이 개념은 discrete-agent 설정의 perturbation stability를 포괄하며 L1 stability와 L2 stability 모두와 동치라고 제시된다.
- 평형의 안정성: stable fixed point는 클러스터 간 거리가 condition (9)을 만족해야 하며, strict-inequality form은 필요하지만 충분성은 여전히 conjectured 상태다.strict version은 두 클러스터의 거리가 정확히 2인 경계 사례를 다룬다.
- Regular 궤적: opinion span이 2보다 크게 유지되고 궤적이 수렴하는 regular 초기 의견의 경우, 그 극한은 positive-mass 클러스터의 모든 쌍에 대해 condition (9)을 만족한다.극한에서 동일한 질량을 갖는 클러스터들은 적어도 거리 2만큼 떨어져 있어야 한다.
- Regular 궤적: 현재 opinion span이 2를 초과하면 update operator에 의해 regularity가 보존된다.이 가정은 필요하다. span이 2보다 작으면 agent의 한 구간이 fully connected가 되어 다음 opinion function이 non-regular해질 수 있다.
- Regular 궤적: regular 초기 조건은 이후 span이 2보다 작아진 다음 최대 두 클러스터를 갖는 fixed point로 수렴하거나, span이 2보다 큰 persistent regular regime에 들어간다.논문은 매 시점 span을 2보다 크게 유지하려면 얻기 어려운 조건이 필요하다고 지적한다.
IV. 이산 에이전트 모델과 연속 에이전트 모델의 관계
이 절에서는 regularity와 유한 시간 범위의 separation 조건하에서, 충분히 많은 에이전트를 갖는 이산 에이전트 시스템으로 연속 에이전트 dynamics를 임의의 정밀도로 근사할 수 있음을 보인다. 이 결과는 update operator와 그 유한 번 반복의 continuity에서 따른다.
- 연속성: update operator U는 sup norm에서 모든 regular opinion function에 대해 연속이다.모든 ϵ > 0에 대해 충분히 작은 ∥y − x∥∞는 ∥U(y) − U(x)∥∞ ≤ ϵ를 보장한다.
- 연속성: regular initial function이 모든 시점에서 2보다 큰 opinion range을 유지하면, 각 finite iterate U^t는 해당 initial function에서 연속이다.명시된 range 조건하에서는 regularity가 보존되므로, U의 continuity를 유한한 composition을 거쳐 확장할 수 있다.
- 유한 시간 범위 근사: 이 근사는 initial continuous opinions가 최대 δ만큼만 변하는 equal-measure partition sets를 구성한 뒤, discrete vectors를 piecewise-constant opinion functions로 사상한다.operator G는 각 agent의 opinion을 해당 partition set에 속한 모든 continuum agents에 할당한다.
- 유한 시간 범위 근사: 임의의 finite horizon t∗에 대해, initial function이 regular이고 2보다 넓은 상태를 유지하면 discrete-agent trajectories는 continuous-agent trajectory를 임의의 ϵ > 0 이내로 근사한다.이 근사는 n-agent initial vector와 partition을 사용하며, 모든 t = 1, …, t∗에 대해 ∥x_t − Gx̂_t∥∞ ≤ ϵ이다.
V. 결론 및 미해결 문제 · 부록
이 논문은 내생적 topology 변화를 활용해 Krause의 opinion-dynamics model을 분석하고, perturbation stability를 통해 큰 클러스터 간 거리를 설명하며, 분석을 continuum agents로 확장한다. 결론에서는 수렴의 한계와 higher-dimensional models 및 stochastic-operator methods를 포함한 미해결 방향을 제시한다.
- V. 결론 및 미해결 문제: 분석은 모델의 내생적으로 변화하는 interconnection topology를 명시적으로 활용하며, 이는 관련 문헌에서 드문 접근으로 설명된다.
- V. 결론 및 미해결 문제: 평형에서 클러스터 간 거리는 대체로 1보다 훨씬 크고 일반적으로 2에 가깝다; perturbation stability가 이러한 현상을 설명하고 하한을 도출한다.안정성 개념은 perturbing agent를 추가하는 상황을 다룬다.
- V. 결론 및 미해결 문제: 논문은 agent 수가 충분히 많으면 대부분의 초기 조건에서 시스템이 stable equilibrium으로 수렴한다는 conjecture를 논의한다.
- V. 결론 및 미해결 문제: regularity assumptions 아래에서 continuum-agent model은 수렴하는 동안 모든 클러스터 쌍 사이에 유한한 agent density를 유지하므로 unstable equilibrium으로 수렴할 수 없다.
- V. 결론 및 미해결 문제: continuum-agent model이 항상 수렴하는지는 여전히 미해결이다. 분석은 fixed-point set으로의 수렴은 확립하지만 하나의 fixed point로의 수렴까지는 보장하지 않기 때문이다.continuum model은 discrete model을 연구하는 본래의 역할을 넘어 독립적으로도 흥미로운 대상으로 제시된다.
- V. 결론 및 미해결 문제: 더 넓은 방향으로는 stochastic operators의 inhomogeneous compositions의 수렴을 연구할 수 있으며, 이는 discrete model에 대한 stochastic-matrix 해석과 평행을 이룬다.
- V. 결론 및 미해결 문제: 고차원 확장에서는 수치 실험을 통해 다시 클러스터들이 1보다 훨씬 큰 거리만큼 떨어져 있음이 나타나는 반면, 덧셈 기반 안정성 조건은 더 복잡해진다.논문에서는 고차원 안정성 조건을 서로 독립적인 조건들의 연언으로 표현할 수 없다고 지적한다.
A. 정리 4의 증명
이 증명은 update error가 0인 모든 continuum opinion profile이 서로 1 이상 떨어진 opinion들로 지지되는 profile들의 closure에 속함을 보인다. 이를 위해 연관된 measure를 길이가 짧은 유한 개의 구간으로 근사하면서 나머지 mass를 제어하는 recursive construction을 제시한다.
- A. 정리 4의 증명: 이 증명은 ∆_i+1 = 3K_i∆_i + 1/K_i, K_i > (L + 1)/ǫ, K_i∆_i < ǫ를 만족하는 sequence K_i와 ∆_i를 구성한다.이 parameter들로부터 ∆_i < ǫ^2/(L + 1)을 얻은 뒤, 모든 i에 대해 δ를 ∆_i/3보다 작게 선택한다.
- A. 정리 4의 증명: 이 recursive construction은 nondecreasing sequence x_i와 y_i를 생성하며, µ((y_N, L]) < ǫ^2/(L + 1)이 되는 N ≤ L + 1개의 step 후 종료된다.각 step에서 µ(x_i) < ∆_i, x_i ≥ y_i−1 + 1, µ([y_i−1, x_i)) ≤ ∆_i − δ, 0 ≤ y_i − x_i ≤ K_i∆_i < ǫ가 성립한다.
- A. 정리 4의 증명: zero update error이면 x ∈ F̄이다. x는 support value들이 서로 1 이상 떨어진 profile들로 임의의 정밀도까지 근사할 수 있기 때문이다.이 construction은 길이가 ǫ보다 작은 interval [x_i, y_i]들로 ǫ보다 작은 mass만을 제외한 전체를 덮으며, uncovered mass는 ǫ^2 < ǫ 이하이다.
- A. 정리 4의 증명: 각 recursion step에서 이 증명은 x_i와 x_i + 1 사이에 opinion이 적은 interval과 δ + 1/K_i보다 많은 mass를 갖는 interval을 별도로 다룬다.첫 번째 경우에는 y_i = x_i로 설정하고, 두 번째 경우에는 construction을 계속하기 전에 x_i + K_i∆_i 이내에서 y_i를 선택한다.
- A. 정리 4의 증명: Figure 7은 명확성을 위해 density를 continuous하게 묘사하지만, 이 증명은 µ가 continuous density를 가질 것을 요구하지 않는다.이 recursive argument는 measure bound를 사용하므로 continuity나 density의 존재조차 가정하지 않고 적용된다.
B. 정리 6의 증명 · C. 명제 3의 증명
정리 6은 서로 분리된 두 opinion cluster를 perturbation하고 continuum dynamics를 weighted discrete-agent system으로 환원하여 instability를 보임으로써 증명된다. 명제 3은 regular opinion distribution이 updating 과정에서 정량적 monotonicity를 유지하며, 명시적인 slope bound를 갖는다는 것을 보인다.
- B. 정리 6의 증명: perturbation은 두 cluster opinion을 weighted average로 대체하고 나머지 부분에서는 original profile을 유지한다.a와 b를 담는 집합은 total measure δ 및 mass ratio |Sa|/|Sb| = µs(a)/µs(b)를 갖도록 선택된다.
- B. 정리 6의 증명: opinion이 a와 b인 두 cluster는 weighted discrete-agent dynamics 아래에서 merge되므로, arbitrarily small perturbations도 s를 unstable하게 만든다.구성에서는 cluster mass를 µs(a)와 µs(b)에 비례하도록 선택하면서 profile의 나머지 부분은 보존한다.
- C. 명제 3의 증명: updated opinion a에 대해 ux(a)는 distance 1 이내의 agent를 averaging하여 얻은 opinion을 뜻하며, U(x)(α)=ux(x(α))이다.이 notation으로 xt+1(α)=u_xt(xt(α))가 성립하며, continuum update를 scalar update map으로 표현한다.
- C. 명제 3의 증명: x가 regular이면 interval mass는 interval length의 m배와 M배 사이에 bounded되며, 이는 ux를 control하는 데 사용되는 가정을 제공한다.증명에서는 0<m≤M을 가정하고 opinion range 전체에 걸쳐 이 density bound를 적용한다.
- C. 명제 3의 증명: 충분히 짧은 interval에 대해 update map은 m′(b−a)≤ux(b)−ux(a)≤M′(b−a)를 만족하며, Lipschitz control과 강화된 lower-bound argument를 결합한다.증명은 δ=min{1/2, supα x−infα x−2}를 사용하고 positive constant m′와 M′를 확립한다.
- C. 명제 3의 증명: 명시적인 upper slope constant는 M′=3M/m이고, lower slope constant는 m′=m^2/(6M^2)이다.lower bound는 center-of-mass separation과 관련 neighboring region에 대한 regularity bound에서 따른다.
- C. 명제 3의 증명: interval을 세분하면 동일한 two-sided bound가 short interval에서 opinion range의 arbitrary interval로 확장된다.이후 증명은 ux 아래 preimage를 비교하여 order preservation을 통해 interval control을 전달한다.