論文の概要: The impact of moving expenses on social segregation: a simulation with
RL and ABM
- arxiv url: http://arxiv.org/abs/2211.12475v1
- Date: Tue, 22 Nov 2022 18:40:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 19:12:35.542198
- Title: The impact of moving expenses on social segregation: a simulation with
RL and ABM
- Title(参考訳): 移動費用が社会的分離に及ぼす影響--RLとABMによるシミュレーション
- Authors: Xinyu Li
- Abstract要約: 本稿では,移動費用が全体分離パターンに及ぼす影響と社会統合における役割について考察する。
より包括的な分離モデルのシミュレーションは、政策立案者が政策の潜在的な結果を予測するために構築されている。
- 参考スコア(独自算出の注目度): 8.102989872457156
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past decades, breakthroughs such as Reinforcement Learning (RL) and
Agent-based modeling (ABM) have made simulations of economic models feasible.
Recently, there has been increasing interest in applying ABM to study the
impact of residential preferences on neighborhood segregation in the Schelling
Segregation Model. In this paper, RL is combined with ABM to simulate a
modified Schelling Segregation model, which incorporates moving expenses as an
input parameter. In particular, deep Q network (DQN) is adopted as RL agents'
learning algorithm to simulate the behaviors of households and their
preferences. This paper studies the impact of moving expenses on the overall
segregation pattern and its role in social integration. A more comprehensive
simulation of the segregation model is built for policymakers to forecast the
potential consequences of their policies.
- Abstract(参考訳): 過去数十年間、強化学習(RL)やエージェントベースモデリング(ABM)といったブレークスルーによって、経済モデルのシミュレーションが可能になった。
近年,selling segregationモデルにおいて,住宅の嗜好が近所の隔離に与える影響を研究するため,abmを適用することへの関心が高まっている。
本稿では, rl と abm を組み合わせることで, 移動費用を入力パラメータとして組み込んだ改良シェリング分離モデルをシミュレートする。
特に、家庭の行動と好みをシミュレートするRLエージェントの学習アルゴリズムとして、ディープQネットワーク(DQN)が採用されている。
本稿では,移動費用が全体分離パターンに及ぼす影響と社会統合における役割について考察する。
分離モデルのより包括的なシミュレーションは、政策立案者が政策の潜在的な結果を予測するために構築される。
関連論文リスト
- Enhancing Polynomial Chaos Expansion Based Surrogate Modeling using a
Novel Probabilistic Transfer Learning Strategy [2.980666177064344]
ブラックボックスシミュレーションでは、非侵入型PCEは一連のシミュレーション応答評価を用いてサロゲートを構築することができる。
そこで我々は,類似のPCEサロゲート構築タスクを通じて得られた知識を新たなサロゲート構築タスクに転送することで,伝達学習を活用することを提案する。
論文 参考訳(メタデータ) (2023-12-07T19:16:42Z) - BART-SIMP: a novel framework for flexible spatial covariate modeling and
prediction using Bayesian additive regression trees [0.0]
本稿では,ガウス過程空間モデルとベイズ加法回帰木(BART)モデルを組み合わせた新しい手法を提案する。
マルコフ連鎖モンテカルロとIntegrated Nested Laplace Approximation (INLA)技術を組み合わせることにより、アプローチの計算負担を低減させる。
本研究では,本手法の性能をシミュレーションを用いて検討し,ケニアの家庭クラスタのサンプルから収集した人文的応答を予測するモデルを用いた。
論文 参考訳(メタデータ) (2023-09-23T05:35:17Z) - Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
予測可能なMDP抽象化(PMA)を提案する。
元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。
我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
論文 参考訳(メタデータ) (2023-02-08T07:37:51Z) - Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。
逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文 参考訳(メタデータ) (2022-12-05T19:40:17Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳(メタデータ) (2022-10-15T17:57:43Z) - Dynamic Noises of Multi-Agent Environments Can Improve Generalization:
Agent-based Models meets Reinforcement Learning [2.492300648514128]
エージェントベースモデル(ABM)に基づく強化学習環境の利点について検討する。
それらの非決定論的ダイナミクスは、RLエージェントの一般化を改善することができることを示す。
数値シミュレーションにより、SIRモデルの内在雑音は平均報酬を改善するだけでなく、より広い範囲の流行パラメータに基づいてRLエージェントを一般化できることを示した。
論文 参考訳(メタデータ) (2022-03-26T09:56:30Z) - Machine Learning Simulates Agent-Based Model Towards Policy [0.0]
ブラジルの46大都市圏(MR)におけるエージェントベースモデル(ABM)をエミュレートし,競合する政策を評価するために,ランダムな森林機械学習アルゴリズムを用いた。
その結果,各地域における政策に対する最適(かつ非最適)性能が得られた。
以上の結果から,MRには最適あるいは非最適結果が好まれる組込み構造がすでに存在することが示唆された。
論文 参考訳(メタデータ) (2022-03-04T21:19:11Z) - Predicting Census Survey Response Rates With Parsimonious Additive
Models and Structured Interactions [14.003044924094597]
本研究では, フレキシブルで解釈可能な非パラメトリックモデル群を用いて, アンケート応答率を予測することの問題点を考察する。
この研究は、米国国勢調査局(US Census Bureau)の有名なROAMアプリケーションによって動機付けられている。
論文 参考訳(メタデータ) (2021-08-24T17:49:55Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳(メタデータ) (2021-03-01T22:55:48Z) - Model-Invariant State Abstractions for Model-Based Reinforcement
Learning [54.616645151708994]
textitmodel-invarianceという新しいタイプの状態抽象化を紹介します。
これにより、状態変数の見当たらない値の新しい組み合わせへの一般化が可能になる。
このモデル不変状態抽象化を通じて最適なポリシーを学習できることを実証する。
論文 参考訳(メタデータ) (2021-02-19T10:37:54Z) - Model-Augmented Q-learning [112.86795579978802]
モデルベースRLの構成要素を付加したMFRLフレームワークを提案する。
具体的には、$Q$-valuesだけでなく、共有ネットワークにおける遷移と報酬の両方を見積もる。
提案手法は,MQL (Model-augmented $Q$-learning) とよばれる提案手法により,真に報いられた学習によって得られる解と同一のポリシ不変解が得られることを示す。
論文 参考訳(メタデータ) (2021-02-07T17:56:50Z)
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。