使用 AI 经济学家建立数据驱动、可解释和健壮的政策设计基础

Aug, 2021

使用 AI 经济学家建立数据驱动、可解释和健壮的政策设计基础

Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist

Alexander Trott, Sunil Srinivasa, Douwe van der Wal, Sebastien Haneuse, Stephan Zheng

TL;DRAI Economist 框架结合两级强化学习和数据驱动的模拟，可用于优化政策设计，经实验证明该框架在 COVID-19 时期的政策制定中能够显著提高社会福利。

Abstract

Optimizing economic and public policy is critical to address socioeconomic issues and trade-offs, e.g., improving equality, productivity, or wellness, and poses a complex mechanism design problem. A policy designer needs to consider multiple objectives, policy levers, and behavioral responses from strategic actors who optimize for their individual objectives

policy design ai economist framework reinforcement learning data-driven simulations covid-19

发现论文，激发创造

流行病政策制定的可解释人工智能

本文利用混合强化学习和进化计算的方法，基于现有的模拟器生成可解释的政策，以在减少 COVID-19 传播的同时最小化经济损失，与先前的研究和政府政策相比，得出了具有更好性能的简化的政策。

Apr, 2022

AI 经济学：应用人工智能驱动税收政策以提高公平与生产力

利用基于强化学习的方法，本研究提出了一种动态税收政策，针对经济增长中的平等性和生产力做出有效的权衡，并取得了 16% 的优化效果。

Apr, 2020

COVID-19 缓解政策优化的强化学习

本研究使用强化学习和基于代理的模拟器，探讨如何优化减轻 COVID-19 冲击的策略，以最小化其对经济的影响，同时避免超过医院的收治能力。该研究结果验证了其用于仿真传染病传播的精细程度以及强化学习方法在实际中的表现。

Oct, 2020

强化学习对决策者的支持性研究：整合评估模型的初步研究

利用现代强化学习探索综合评估模型 (IAM) 可以更加原则地探究解决方案，为政策制定和对其后果和局限性的理解提供有效的探索。

Dec, 2023

模拟解释：可解释策略学习下的决策理解

了解人类行为以实现决策的透明度和责任感非常重要。我们提出了一种新颖的基于模型的贝叶斯方法进行可解释的政策学习，该方法以数据驱动的方式呈现决策行为，并在偏差的信念更新过程和次优的信念 - 行为映射之间进行联合估计，能够满足透明度、部分可观察性和完全离线操作等关键标准。通过对阿尔茨海默病诊断问题的模拟和真实世界数据的实验，我们展示了我们的方法作为审计、量化和理解人类决策行为的潜力。

Oct, 2023

社交环境设计

人工智能能够改善政府和经济政策制定，这篇论文提出了一种新的研究议程，介绍了社会环境设计，这是一个将人工智能与强化学习、计算社会选择等领域相连接的自动化政策制定的通用框架。该框架旨在捕捉一般经济环境，包括对政策目标的投票，并为通过人工智能模拟对政府和经济政策进行系统分析给出方向。我们强调了人工智能政策制定领域未来研究的关键问题，通过解决这些挑战，希望实现各种社会福利目标，促进更具道德和负责任的决策制定。

Feb, 2024

经济政策的强化学习：一个新的前沿？

该论文回顾了传统的代理人建模技术在经济建模中的历史障碍，并思考最近强化学习等新兴技术能否克服其中的一些问题。

Jun, 2022

数据驱动政策完善的理论研究

本文提出了一种数据驱动的政策细化方法，特别设计用于安全关键应用的强化学习。我们的方法利用数据驱动优化和强化学习的优势，通过迭代细化增强政策的安全性和最优性。我们的主要贡献在于这种数据驱动政策细化概念的数学形式化。此框架通过从数据驱动验证中出现的反例进行学习，系统地改进强化学习政策。此外，我们提出了一系列定理，阐明了我们方法的关键理论特性，包括收敛性、鲁棒性界限、泛化误差和对模型不匹配的适应性。这些结果不仅验证了我们方法的有效性，也为不同环境和场景下的行为提供了更深入的理解。

May, 2023

针对智能代理人自然语言交流的定期策略优化

提出一个可以通过联合推理视觉观察和语言输入来学习自然语言指令的新型策略优化算法，该训练范式提供了有效的探索和更好的泛化能力，相比现有的集成模型，我们提出的最佳模型在块世界环境中的执行错误率可以大幅降低超过 50％，同时还包括系统性的研究以展示我们 RL 算法的探索策略。

Jun, 2018

构想一个人工智能协作系统以将政策转化为决策模型

介绍利用自然语言和可编程代码同时表达政策的全球数字政府倡议，以及用 AI，自然语言处理和知识图谱缩短从政策文档到可执行决策模型的路线的方法。使用 AI 可帮助政府机构和政策专家扩大人可读和机器可执行政策规则的生产，同时提高透明度，可解释性，追溯性和决策的问责性。

Nov, 2022