論文の概要: The AI Economist: Improving Equality and Productivity with AI-Driven Tax Policies

• arxiv url: http://arxiv.org/abs/2004.13332v1
• Date: Tue, 28 Apr 2020 06:57:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 22:32:42.055872
• Title: The AI Economist: Improving Equality and Productivity with AI-Driven Tax Policies
• Title（参考訳）: AIエコノミスト:AI駆動税法で平等と生産性を改善する
• Authors: Stephan Zheng, Alexander Trott, Sunil Srinivasa, Nikhil Naik, Melvin Gruesbeck, David C. Parkes, Richard Socher
• Abstract要約: 我々は、経済的平等と生産性を効果的にトレードオフできる税制政策を発見する社会プランナーを訓練する。 競争圧力と市場ダイナミクスを特徴とする経済シミュレーション環境を提案する。 AI主導の税政策は、基本方針よりも平等と生産性のトレードオフを16%改善することを示します。
• 参考スコア（独自算出の注目度）: 119.07163415116686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tackling real-world socio-economic challenges requires designing and testing economic policies. However, this is hard in practice, due to a lack of appropriate (micro-level) economic data and limited opportunity to experiment. In this work, we train social planners that discover tax policies in dynamic economies that can effectively trade-off economic equality and productivity. We propose a two-level deep reinforcement learning approach to learn dynamic tax policies, based on economic simulations in which both agents and a government learn and adapt. Our data-driven approach does not make use of economic modeling assumptions, and learns from observational data alone. We make four main contributions. First, we present an economic simulation environment that features competitive pressures and market dynamics. We validate the simulation by showing that baseline tax systems perform in a way that is consistent with economic theory, including in regard to learned agent behaviors and specializations. Second, we show that AI-driven tax policies improve the trade-off between equality and productivity by 16% over baseline policies, including the prominent Saez tax framework. Third, we showcase several emergent features: AI-driven tax policies are qualitatively different from baselines, setting a higher top tax rate and higher net subsidies for low incomes. Moreover, AI-driven tax policies perform strongly in the face of emergent tax-gaming strategies learned by AI agents. Lastly, AI-driven tax policies are also effective when used in experiments with human participants. In experiments conducted on MTurk, an AI tax policy provides an equality-productivity trade-off that is similar to that provided by the Saez framework along with higher inverse-income weighted social welfare.
• Abstract（参考訳）: 現実世界の社会経済的課題に取り組むには、経済政策の設計とテストが必要である。 しかし、適切な(マイクロレベルの)経済データがなく、実験の機会が限られているため、実際にはこれは難しい。 本研究では、経済平等と生産性を効果的にトレードオフできるダイナミック経済における税政策を発見する社会プランナーを訓練する。 我々は,エージェントと政府の両方が学習し,適応する経済シミュレーションに基づいて,動的税制政策を学ぶための2段階の深層強化学習手法を提案する。 データ駆動型アプローチは、経済モデリングの前提を活用せず、観測データのみから学習する。 主な貢献は4つある。 まず,競争圧力と市場動態を特徴とする経済シミュレーション環境を提案する。 我々は,学習エージェントの行動や特化などを含む経済理論と整合した基礎税体系が機能することを示すことにより,シミュレーションを検証した。 第2に,aiを主体とする税制政策は,サエズ税の枠組みを含む基準政策に対して,平等と生産性のトレードオフを16%向上させることを示した。 第三に、新たな特徴をいくつか紹介する: aiによる税政策は、基準と質的に異なる、上位税率と低所得者に対する純補助金を設定する。 さらに、AI主体の税政策は、AIエージェントが学習した創発的な税制ゲーミング戦略に直面して強く機能する。 最後に、AI主導の税政策は、人間の参加者による実験で使用する場合にも有効である。 MTurkで実施された実験では、AI税政策は、サエズフレームワークが提供するものと類似した平等と生産性のトレードオフと、高い逆所得の重み付け社会福祉を提供する。

関連論文リスト

• The Economics of Human Oversight: How Norms and Incentives Affect Costs and Performance of AI Workers [0.0]
  AIアプリケーションの世界的急増は、業界を変革させ、既存の雇用の移動と補完を招きつつ、新たな雇用機会を生み出している。 AIの人間監督は、人間の労働者がAIモデルと対話して、そのパフォーマンス、安全性、規範的原則の遵守を改善する、新たなタスクである。 本稿では,標準設計と金融インセンティブがデータ品質とコストに与える影響に着目し,人間の監視の基礎経済を考察する。
  論文  参考訳（メタデータ） (2023-12-22T09:50:57Z)
• Social Contract AI: Aligning AI Assistants with Implicit Group Norms [37.68821926786935]
  我々は、観察されたインタラクションからユーザの(未知の)好みのモデルを反転させることで、AIアシスタントを整列させるアイデアを探求する。 本研究は,ユーザの嗜好をシミュレートされたプレイヤーの行動を導くポリシーとして定式化し,概念実証シミュレーションを行う。
  論文  参考訳（メタデータ） (2023-10-26T20:27:03Z)
• Algorithmic Fairness and Vertical Equity: Income Fairness with IRS Tax Audit Models [73.24381010980606]
  本研究は、IRSによる税務監査選択を通知するシステムの文脈におけるアルゴリズムフェアネスの問題について検討する。 監査を選択するための柔軟な機械学習手法が、垂直エクイティにどのように影響するかを示す。 この結果は,公共セクター全体でのアルゴリズムツールの設計に影響を及ぼす。
  論文  参考訳（メタデータ） (2022-06-20T16:27:06Z)
• Finding General Equilibria in Many-Agent Economic Simulations Using Deep Reinforcement Learning [72.23843557783533]
  本研究では,エージェント種別のメタゲームに対して,エプシロン・ナッシュ平衡である安定解を求めることができることを示す。 私たちのアプローチはより柔軟で、例えば市場クリア化のような非現実的な仮定は必要ありません。 当社のアプローチは、実際のビジネスサイクルモデル、DGEモデルの代表的なファミリー、100人の労働者消費者、10社の企業、税金と再分配を行う政府で実証しています。
  論文  参考訳（メタデータ） (2022-01-03T17:00:17Z)
• Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist [67.08543240320756]
  AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。 RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2021-08-06T01:30:41Z)
• The AI Economist: Optimal Economic Policy Design via Two-level Deep Reinforcement Learning [126.37520136341094]
  機械学習に基づく経済シミュレーションは強力な政策・メカニズム設計の枠組みであることを示す。 AIエコノミスト(AI Economist)は、エージェントと共同適応するソーシャルプランナーの両方を訓練する2段階のディープRLフレームワークである。 単純な一段階の経済では、AIエコノミストは経済理論の最適税制を回復する。
  論文  参考訳（メタデータ） (2021-08-05T17:42:35Z)
• Learning from Learning Machines: Optimisation, Rules, and Social Norms [91.3755431537592]
  経済的な実体の行動に最も類似したAIの領域は道徳的に良い意思決定の領域であるようだ。 近年のAIにおけるディープラーニングの成功は、そのような問題を解決するための明示的な仕様よりも暗黙的な仕様の方が優れていることを示唆している。
  論文  参考訳（メタデータ） (2019-12-29T17:42:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。