論文の概要: Black-box Bayesian inference for economic agent-based models
- arxiv url: http://arxiv.org/abs/2202.00625v1
- Date: Tue, 1 Feb 2022 18:16:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-02 15:37:30.109409
- Title: Black-box Bayesian inference for economic agent-based models
- Title（参考訳）: 経済エージェントモデルに対するブラックボックスベイズ推定
- Authors: Joel Dyer, Patrick Cannon, J. Doyne Farmer, Sebastian Schmon
- Abstract要約: 2種類のブラックボックス近似ベイズ推定法の有効性について検討した。
ニューラルネットワークに基づくブラックボックス法は, 経済シミュレーションモデルに対して, アートパラメータ推論の状態を提示する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulation models, in particular agent-based models, are gaining popularity
in economics. The considerable flexibility they offer, as well as their
capacity to reproduce a variety of empirically observed behaviours of complex
systems, give them broad appeal, and the increasing availability of cheap
computing power has made their use feasible. Yet a widespread adoption in
real-world modelling and decision-making scenarios has been hindered by the
difficulty of performing parameter estimation for such models. In general,
simulation models lack a tractable likelihood function, which precludes a
straightforward application of standard statistical inference techniques.
Several recent works have sought to address this problem through the
application of likelihood-free inference techniques, in which parameter
estimates are determined by performing some form of comparison between the
observed data and simulation output. However, these approaches are (a) founded
on restrictive assumptions, and/or (b) typically require many hundreds of
thousands of simulations. These qualities make them unsuitable for large-scale
simulations in economics and can cast doubt on the validity of these inference
methods in such scenarios. In this paper, we investigate the efficacy of two
classes of black-box approximate Bayesian inference methods that have recently
drawn significant attention within the probabilistic machine learning
community: neural posterior estimation and neural density ratio estimation. We
present benchmarking experiments in which we demonstrate that neural network
based black-box methods provide state of the art parameter inference for
economic simulation models, and crucially are compatible with generic
multivariate time-series data. In addition, we suggest appropriate assessment
criteria for future benchmarking of approximate Bayesian inference procedures
for economic simulation models.
- Abstract（参考訳）: シミュレーションモデル、特にエージェントベースモデルが経済学で人気を集めている。
彼らが提供するかなりの柔軟性と、複雑なシステムの様々な経験的に観察された振る舞いを再現する能力は、幅広い魅力を与え、安価なコンピューティングパワーの可用性が高まり、その使用が実現可能になった。
しかし、現実のモデリングや意思決定のシナリオにおいて広く採用されているのは、そのようなモデルに対してパラメータ推定を行うのが難しいためである。
一般に、シミュレーションモデルは、標準的な統計推論技術の直接的な応用を妨げない、扱いやすい確率関数を欠いている。
いくつかの最近の研究は、パラメータ推定を観測データとシミュレーション出力とのある種の比較によって決定する、可能性のない推論手法の適用を通じてこの問題に対処しようとしている。
しかし これらのアプローチは
(a)限定的な前提、及び/又は
b)典型的には数十万のシミュレーションを必要とする。
これらの性質は、経済学における大規模シミュレーションには適さないものであり、そのようなシナリオにおいてこれらの推論手法の有効性に疑問を投げかけることができる。
本稿では,確率論的機械学習コミュニティにおいて最近注目されている2種類のブラックボックス近似ベイズ推論手法の有効性について検討する。
我々は,ニューラルネットワークに基づくブラックボックス手法が,経済シミュレーションモデルにおけるアートパラメータ推論の状態を提示し,汎用多変量時系列データと互換性があることを実証するベンチマーク実験を行った。
さらに,経済シミュレーションモデルの近似ベイズ推定手順の将来のベンチマークについて,適切な評価基準を提案する。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - All-in-one simulation-based inference [19.41881319338419]
我々は、現在の制限を克服する新しい償却推論手法、Simformerを提案する。
Simformerは、ベンチマークタスクにおける現在の最先端の償却推論アプローチより優れています。
関数値パラメータを持つモデルに適用することができ、欠落または非構造化データによる推論シナリオを処理でき、パラメータとデータの合同分布の任意の条件をサンプリングすることができる。
論文 参考訳（メタデータ） (2024-04-15T10:12:33Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。
我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。
本研究は,専門家の選択に重要な意味を持つ。
論文 参考訳（メタデータ） (2024-02-05T12:31:18Z) - Uncertainty Quantification and Propagation in Surrogate-based Bayesian Inference [1.1383507019490222]
代理モデルはより複雑なシミュレーションモデルに対する概念近似である。
代理体の不確かさを定量化し、伝播することは、通常、特別な分析ケースに限られる。
本稿では,測定データを用いた代理モデルを用いたベイズ推定の3つの手法を提案する。
論文 参考訳（メタデータ） (2023-12-08T16:31:52Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - Nonparametric likelihood-free inference with Jensen-Shannon divergence
for simulator-based models with categorical output [1.4298334143083322]
シミュレータに基づく統計モデルに対する自由な推論は、機械学習と統計のコミュニティの両方において、関心の高まりを招いている。
本稿では、Jensen-Shannon- divergenceの計算特性を用いて、モデルパラメータに対する推定、仮説テスト、信頼区間の構築を可能にする理論的結果のセットを導出する。
このような近似はより集中的なアプローチの素早い代替手段であり、シミュレーターベースモデルの多種多様な応用には魅力的である。
論文 参考訳（メタデータ） (2022-05-22T18:00:13Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Amortized Bayesian Inference for Models of Cognition [0.1529342790344802]
専門的なニューラルネットワークアーキテクチャを用いたシミュレーションベース推論の最近の進歩は、ベイズ近似計算の多くの過去の問題を回避している。
本稿では,アモータイズされたベイズパラメータの推定とモデル比較について概説する。
論文 参考訳（メタデータ） (2020-05-08T08:12:15Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-04-22T15:15:46Z)
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。