- 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。
- 通过强化学习和基于代理的建模模拟理性对经济的影响
使用多智能体增强学习 (RL) 拓展有限理性模拟模型以考察其对经济的影响,研究发现多智能体根据市场竞争和理性程度 spontaneously 学习出不同策略,增加市场力量和整体利润,但更高程度的理性也可能导致更大不稳定性,并提出了可以稳定学 - 医疗数字化双生子的控制与人工神经网络
个性化医学的目标是根据患者的独特特征量身定制干预措施。本研究介绍了一种基于动态信息的神经网络控制器作为对医学数字孪生的控制方法,并通过在两种常用的基于代理的模型类型上进行实验和评估验证了该方法的有效性。
- 观点动态模型参数的变分推断
这篇论文使用变分推断方法估计代理模型的参数,通过将估计问题转化为可直接求解的优化任务。该方法可用于进行数据驱动分析,以更准确地估计和验证代理模型,并提供有关社会系统中人类行为的洞察。
- 多智能体强化学习模拟加密市场
通过使用多智能体强化学习模型,对加密货币市场进行建模和仿真,该模型根据 2018 年至 2022 年间 Binance 交易的 153 种加密货币的每日收盘价进行校准,利用市场价格和加密资产基本价值的近似值进行资产价格估值,从而精确模拟加密 - 基于验证辅助的迭代情境学习的面向解决方案的代理模型生成
SAGE 是一个用于自动建模和针对性问题生成解决方案的通用的面向问题的 Agent-based models 生成框架,它利用大型语言模型的跨领域知识进行在上下文学习过程中辅助验证,通过引导 LLMs 建模场景和提出假设性解决方案的目标表示 - 多智能体强化学习学习和校准异质有界理性市场行为
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 - 社会问题的常规自动解决方案生成
研究报告通过构建基于代理模型的自动社会操作系统(ASOS)的方法,采用超图和符号混合框架来综合和结构化地表示社会动态,以解决当前社会问题生成解决方案的相关挑战,并在国际油期货市场中成功应用 ASOS 来识别潜在市场条件并进行干预,从而提出了 - 疫情爆发的头 100 天:药物、行为和数字介入的相互作用研究 —— 一个基于代理模型的研究
利用基于代理的模型 (ABM) 对复杂的感染动态和干预影响进行模拟,研究了疫情流行的趋势以及干预措施的综合应用,发现在前 100 天内做出迅速决策和高效政策制定对疫情发展至关重要,同时揭示了行为和数字干预可以减少药物干预的负担,延迟疫情高峰 - 利用神经密度估计器和嵌入网络进行市场模拟的深度校准
构建金融交易仿真器的能力,包括重现限价委托簿的动态,能够对许多反事实情景提供洞见,如闪崩、追加保证金或宏观经济前景的变化。近年来,已开发了能够重现交易所许多特征的基于代理的模型,由一组简化事实和统计数据总结。然而,将仿真器校准到特定的交易期 - 基于 LLM 代理的网络观点动力学模拟
准确模拟人的观点动态对于理解各种社会现象至关重要,包括极化和误信息传播。我们提出了一种基于大型语言模型的人口多智能体模拟观点动态的新方法。我们的发现揭示出语言模型智能体存在对准确信息的固有偏差,导致在科学现实中产生共识。然而,该偏差限制了模 - MM跳跃不连续函数的替代活跃子空间
通过对不连续模拟器的分析,本研究将代理模型和主动子空间的方法扩展至社会科学领域,揭示了它们在处理不连续输出时的局限性,并通过在合成测试函数上进行数值实验,比较了连续和不连续函数上的高斯过程估计。最终,在模拟的中非和中东 8 个流离失所危机中 - JAX-LOB: 用于交易的大规模强化学习的 GPU 加速限价委托簿模拟器
金融交易所使用限价挂单簿(LOB)来处理订单和撮合交易,而本研究着重于开发一种能够以大规模高效地模拟 LOB 动态的模拟器。我们展示了第一个能够并行处理数千个挂单簿且具有明显减少每条消息处理时间的 GPU 加速 LOB 模拟器的实现 - J - 基于定性专家知识开发定量智能体模型的框架:以有组织犯罪为例
为了对犯罪网络进行建模以供执法机构使用,需要将有限的数据转化为经过验证的基于代理的模型。我们提出了 FREIDA(专家驱动的数据驱动代理模型框架),其中包括将定性数据转化为定量规则的模型过程。通过以荷兰的犯罪可卡因网络为例,展示了 FREI - ICML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。
- AAAI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 - 教育中的强化学习:多臂赌博机方法
本研究通过上下文化和模拟累计奖励来解决教育上的干预建议问题,采用强化学习的代理模型结合混合学习方法,景点在线平台的自动化功能
- 可微分的基于代理的流行病学
本篇论文介绍了一种新的可扩展,快速且可微分的 ABM 设计,即 GradABM。通过广泛的实验,我们证明了 GradABM 的有效性。
- ICML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。
- 在 Colonel Blotto 中的强化学习智能体
本文测试了基于强化学习的代理在 Colonel Blotto 环境下的表现,发现其能够轻松击败单个对手并在多个对手时表现良好,由此分析其最佳策略与单个对手时完全相反。