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

• GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
  我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。 我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。 我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
  論文  参考訳（メタデータ） (2024-10-06T05:02:23Z)
• On the limits of agency in agent-based models [13.130587222524305]
  エージェントベースモデリングは複雑なシステムに対する強力な洞察を提供するが、その実用性は計算の制約によって制限されている。 大規模言語モデル(LLM)の最近の進歩は、適応エージェントによるABMを強化する可能性があるが、大規模なシミュレーションへの統合は依然として困難である。 大規模シミュレーションにおいて,行動複雑性と計算効率のバランスをとる手法であるLSMアーチタイプを提案する。
  論文  参考訳（メタデータ） (2024-09-14T04:17:24Z)
• Prior Constraints-based Reward Model Training for Aligning Large Language Models [58.33118716810208]
  本稿では,この問題を解決するために,事前制約に基づくリワードモデル(PCRM)のトレーニング手法を提案する。 PCRMは、前回の制約、特に各比較ペアの出力間の長さ比とコサイン類似性を、最適化の規模を調節しスコアマージンを制御するための報酬モデルトレーニングに組み入れている。 実験結果から,PCRMは報酬スコアのスケーリングを効果的に抑制することによりアライメント性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-04-01T07:49:11Z)
• 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)
• 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)

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。