論文の概要: Likelihood-Based Methods Improve Parameter Estimation in Opinion
Dynamics Models
- arxiv url: http://arxiv.org/abs/2310.02766v2
- Date: Thu, 5 Oct 2023 09:22:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 10:52:02.082105
- Title: Likelihood-Based Methods Improve Parameter Estimation in Opinion
Dynamics Models
- Title（参考訳）: 確率ベース手法によるオピニオンダイナミクスモデルにおけるパラメータ推定の改善
- Authors: Jacopo Lenti, Corrado Monti, Gianmarco De Francisci Morales
- Abstract要約: エージェント・ベース・モデル(ABM)におけるパラメータ推定の最大解法は、典型的なシミュレーション・ベース・アプローチよりも優れていることを示す。
対照的に、確率に基づくアプローチは、統計的に原理化された方法で未知のパラメータを観測データに接続する確率関数を導出する。
実験の結果,最大推定値の精度は最大4倍に向上し,計算時間を最大200倍に短縮できることがわかった。
- 参考スコア（独自算出の注目度）: 6.138671548064356
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We show that a maximum likelihood approach for parameter estimation in
agent-based models (ABMs) of opinion dynamics outperforms the typical
simulation-based approach. Simulation-based approaches simulate the model
repeatedly in search of a set of parameters that generates data similar enough
to the observed one. In contrast, likelihood-based approaches derive a
likelihood function that connects the unknown parameters to the observed data
in a statistically principled way. We compare these two approaches on the
well-known bounded-confidence model of opinion dynamics. We do so on three
realistic scenarios of increasing complexity depending on data availability:
(i) fully observed opinions and interactions, (ii) partially observed
interactions, (iii) observed interactions with noisy proxies of the opinions.
We highlight how identifying observed and latent variables is fundamental for
connecting the model to the data. To realize the likelihood-based approach, we
first cast the model into a probabilistic generative guise that supports a
proper data likelihood. Then, we describe the three scenarios via probabilistic
graphical models and show the nuances that go into translating the model.
Finally, we implement the resulting probabilistic models in an automatic
differentiation framework (PyTorch). This step enables easy and efficient
maximum likelihood estimation via gradient descent. Our experimental results
show that the maximum likelihood estimates are up to 4x more accurate and
require up to 200x less computational time.
- Abstract（参考訳）: エージェントベースモデル (abms) におけるパラメータ推定の最大帰納法が, 典型的なシミュレーションベースアプローチよりも優れていることを示す。
シミュレーションに基づくアプローチでは、観測したパラメータに似たデータを生成する一連のパラメータを探索して、繰り返しモデルをシミュレートする。
対照的に、確率に基づくアプローチは、統計的に原理化された方法で未知のパラメータを観測データに接続する確率関数を導出する。
これらの2つのアプローチを、よく知られた意見力学の有界信頼モデルで比較する。
データ可用性に応じて複雑さを増大させる現実的なシナリオを3つ挙げる。
i) 完全に観察された意見と相互作用
(ii) 部分的に観察された相互作用
(iii)意見のノイズプロキシとの相互作用を観察した。
モデルとデータを結ぶ上で,観測変数と潜在変数の識別が基本である点を強調する。
確率に基づくアプローチを実現するために、我々はまずモデルを適切なデータ可能性をサポートする確率的生成ギーズにキャストする。
次に,確率的グラフィカルモデルを用いて3つのシナリオを説明し,モデルを翻訳するニュアンスを示す。
最後に,結果の確率モデルを自動微分フレームワーク(pytorch)で実装する。
このステップは、勾配降下による簡易かつ効率的な最大推定を可能にする。
実験の結果,最大確率推定値は最大4倍精度が高く,計算時間も最大200倍削減できることがわかった。
関連論文リスト
- Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。
観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。
本手法は, 推定手法よりも有効であることを示す。
論文 参考訳（メタデータ） (2024-08-26T08:39:09Z) - 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) - 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) - Functional Mixtures-of-Experts [0.24578723416255746]
観測対象が関数を含む状況下での予測のための異種データの統計的解析について検討する。
まず,機能的ME(FME)と呼ばれる新しいMEモデルのファミリーを提示する。
我々は,モデルに適合する最大パラメータ推定戦略を定式化したLasso-like (EM-Lasso) の専用予測-最大化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-02-04T17:32:28Z) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳（メタデータ） (2021-12-29T23:37:06Z) - PSD Representations for Effective Probability Models [117.35298398434628]
最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。
我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。
本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
論文 参考訳（メタデータ） (2021-06-30T15:13:39Z) - 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) - Score Matched Conditional Exponential Families for Likelihood-Free
Inference [0.0]
Likelihood-Free Inference (LFI) はモデルからのシミュレーションに依存する。
モデルからパラメータシミュレーションペアを観測に基づいて独立に生成する。
重みをスコアマッチングで調整したニューラルネットワークを用いて,条件付き指数関数的家族度近似を学習する。
論文 参考訳（メタデータ） (2020-12-20T11:57:30Z) - 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) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z)
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。