Mar, 2017

利用机器学习代理进行代理模型校准

PDF
TL;DR本文提出了一种新的方法，将监督机器学习和智能抽样结合起来，构建一个代理元模型来探索代理模型中的参数空间和校准。这种方法提供了一种快速而准确的模型行为近似方法，大大降低了计算时间，并有助于获取有关代理模型复杂运作的洞见。
agent-based modelsparameter space explorationmachine-learningcalibrationsurrogate meta-model
发现论文，激发创造
  • 推进社会和健康计算科学中代理模型现状的先进替代方法的有前景且值得尝试的未来方向

    该研究论文介绍了模型分析工具在实际大规模 ABMs（基于代理的模型）中的执行和运行性能问题，并提出了一些适用于非线性动力模型的替代模型，这些方法在社会健康计算科学领域尚未得到广泛运用，但在建立 ABMs 的替代模型方面可能是有用的。

    Mar, 2024

  • 可微分基于代理的模型校准面临的挑战

    本文讨论了代理模型（ABMs）的不同陷阱以及对应的解决方案，旨在解决该方法在实践中的困难。

    Jul, 2023

  • 使用图神经网络将基于代理的模型校准到微观数据

    该研究提出了使用时间图神经网络直接学习与微观数据相关的参数后验概率的方法，以进行 Bayesian 推断，并通过使用原始 ABM 微状态作为输出，提供高度引人入胜的归纳偏差。

    Jun, 2022

  • 经济代理人基于模型校准方法的比较

    该研究使用计算实验通过比较多种普遍使用的代理模型定值方法，发现贝叶斯估计法优于频率学派、基于目标函数的方法，并提出需要进一步研究定值方法的未来方向。

    Feb, 2019

  • 可微分代理模型的贝叶斯校准

    本文介绍了一种使用广义变分推断过程提供免疫缺陷鲁棒的贝叶斯参数推断的方法，以解决可微分 ABMs 的近似贝叶斯推断技术问题，并通过对 COVID-19 流行病的可微分 ABM 实验验证其准确性和未来工作的方向。

    May, 2023

  • 动态和异质参数的基于 Agent 的模型自动校准框架

    本研究介绍了一种自动校准框架，将动态校准和异质校准方法结合起来，动态校准通过自动捕捉适当的模拟时间来调整模拟参数，而异质校准通过聚类方式调整与代理有关的参数，从而缩小模拟和实际群体之间的分布差距。

    Mar, 2022

  • 面向代理模拟器的干预一致替代模型

    基于代理的模拟器提供复杂智能系统的细粒度表示，以直接模拟系统组成代理之间的交互。虽然它们的高保真性使得可以进行超局部政策评估和场景推测，但其大量计算成本限制了它们的广泛应用。本文中，我们利用因果抽象的最新发展，提出了一种用于学习在代理模拟器下具备干预一致性的替代模型的框架。我们的方法能够在复杂系统中快速针对政策干预进行实验，同时在感兴趣的干预下，以高概率使得替代模型行为与基于代理的模拟器保持一致。我们通过实证研究证明，在观测训练的替代模型中，会误判干预效果并引导决策制定者走向次优政策，而通过我们提出的方法进行干预一致性训练的替代模型能够在感兴趣的干预下与基于代理的模型行为非常接近。

    Dec, 2023

  • 智能基于代理的建模：关于在计算机模拟中使用大型语言模型

    通过将大型语言模型（LLMs）如 GPT 集成到智能智能体建模（SABM）中，我们在这篇综述性研究中阐明了 ABM 的现状，介绍了 SABM 的潜力和方法，并提出了三个案例研究，验证了其在模拟现实系统中的有效性，同时展望了 SABM 未来应用的广阔前景，旨在重新定义计算机仿真的边界，实现对复杂系统的更深入理解。

    Nov, 2023

  • 结合搜索策略提高经济代理模型校准的性能

    本论文主要介绍了在经济学和金融领域中，针对大规模参数空间内的代理模型（ABMs）进行校准的方法，对基于随机森林代理的方法进行基准测试并提出了一种采用强化学习机制策略以在模型校准期间自动选择和组合搜索方法的方案，该方案不依赖任何先前的信息或试错过程。

    Feb, 2023

  • 基于随机森林的贝叶斯校准随机代理模型

    该研究使用基于随机森林的代理模型技术加速评估传染病流行模型，并通过 Markov 链蒙特卡罗方法对一种名为 CityCOVID 的流行病学模型进行校准，以提高其预测性能。

    Jun, 2024