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
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。
Mar, 2017
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
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
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
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
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
近年来,由于计算能力的提高和灵活性的增强,模拟模型在经济学中变得越来越普遍。本文提出了一种使用深度神经网络构建类似于似然函数的近似方法以进行贝叶斯估计的方法,用于解决传统频率学派估计方法难以解决的问题,并对其进行了检验。总的来说,我们发现我们提出的方法在金融异质代理模型的估计以及模型中变化动力学的识别等多种情境下,能够持续地获得更准确的估计结果。
Jun, 2019
本文研究了在决策制定环境下,基于强化学习的智能体决策行为的刻画与建模。实验结果表明,相比于传统的规则制定和数据回归方式,基于强化学习的智能体决策行为模型具有更高的适应性和更好的表现,可以更好地支持 Agent-based Models 在政策分析等领域的应用。
Jun, 2020
在代理基模型中,我们提出了一种用于在多代理强化学习框架下表示异构处理受限代理的新技术,通过共享策略学习以及代理技能水平的分布,实现了从严格效用最大化到有界理性行为的过渡,并通过使用策略梯度来学习行为,通过在多个实例中验证,我们证明了该模型在许多常见的代理设置下具有显著改进的预测能力。
Feb, 2024