論文の概要: The AI Economist: Optimal Economic Policy Design via Two-level Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2108.02755v1
• Date: Thu, 5 Aug 2021 17:42:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 14:28:38.925539
• Title: The AI Economist: Optimal Economic Policy Design via Two-level Deep Reinforcement Learning
• Title（参考訳）: the ai economist: 2段階深層強化学習による最適経済政策設計
• Authors: Stephan Zheng, Alexander Trott, Sunil Srinivasa, David C. Parkes, Richard Socher
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 126.37520136341094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI and reinforcement learning (RL) have improved many areas, but are not yet widely adopted in economic policy design, mechanism design, or economics at large. At the same time, current economic methodology is limited by a lack of counterfactual data, simplistic behavioral models, and limited opportunities to experiment with policies and evaluate behavioral responses. Here we show that machine-learning-based economic simulation is a powerful policy and mechanism design framework to overcome these limitations. The AI Economist is a two-level, deep RL framework that trains both agents and a social planner who co-adapt, providing a tractable solution to the highly unstable and novel two-level RL challenge. From a simple specification of an economy, we learn rational agent behaviors that adapt to learned planner policies and vice versa. We demonstrate the efficacy of the AI Economist on the problem of optimal taxation. In simple one-step economies, the AI Economist recovers the optimal tax policy of economic theory. In complex, dynamic economies, the AI Economist substantially improves both utilitarian social welfare and the trade-off between equality and productivity over baselines. It does so despite emergent tax-gaming strategies, while accounting for agent interactions and behavioral change more accurately than economic theory. These results demonstrate for the first time that two-level, deep RL can be used for understanding and as a complement to theory for economic design, unlocking a new computational learning-based approach to understanding economic policy.
• Abstract（参考訳）: AIと強化学習(RL)は多くの分野で改善されているが、経済政策設計、メカニズム設計、経済全般ではまだ広く採用されていない。 同時に、現在の経済方法論は、偽データ、単純化された行動モデル、政策の実験や行動応答の評価の機会の不足によって制限されている。 ここでは、機械学習に基づく経済シミュレーションが、これらの制限を克服するための強力なポリシーおよびメカニズム設計フレームワークであることを示す。 ai economistは、2段階の深いrlフレームワークで、エージェントとソーシャルプランナーの両方を訓練し、高度に不安定で新しい2段階rlチャレンジの扱いやすいソリューションを提供する。 経済の単純な仕様から、学習したプランナーポリシーに適応し、その逆にも適応する合理的なエージェントの行動を学びます。 最適課税問題に対するai経済学者の有効性を実証する。 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。 複雑でダイナミックな経済においては、AIエコノミストは実用的社会福祉と、ベースラインよりも平等と生産性のトレードオフの両方を大幅に改善する。 創発的な税収戦略にもかかわらず、エージェントの相互作用や行動の変化を経済理論よりも正確に計算している。 これらの結果は、二段階の深いRLを経済設計理論の理解と補完に利用し、経済政策を理解するための新しい計算学習ベースのアプローチを解き放つことを初めて示している。

関連論文リスト

• Modelling of Economic Implications of Bias in AI-Powered Health Emergency Response Systems [0.0]
  我々は,アルゴリズムバイアスが資源配分,健康結果,社会福祉に与える影響を分析する。 公平性に制約された最適化、アルゴリズム調整、政策介入を含む緩和戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-26T17:11:23Z)
• Artificial intelligence, rationalization, and the limits of control in the public sector: the case of tax policy optimization [0.0]
  AIシステムに対する批判の大部分が、Weberianの合理化の中心にあるよく知られた緊張から生まれたものであることを示す。 分析の結果,社会的・経済的平等を促進する機械的税制の構築が可能であることが示唆された。 また、AIによるポリシーの最適化は、他の競合する政治的価値観を排除することによってもたらされる、とも強調している。
  論文  参考訳（メタデータ） (2024-07-07T11:54:14Z)
• 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)
• Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
  我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。 我々は分散強化学習アルゴリズムのクラスを導出する。 我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2020-07-05T16:41:09Z)
• The AI Economist: Improving Equality and Productivity with AI-Driven Tax Policies [119.07163415116686]
  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。
  論文  参考訳（メタデータ） (2020-04-28T06:57:18Z)
• 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。