論文の概要: Comparing Data Assimilation and Likelihood-Based Inference on Latent State Estimation in Agent-Based Models

• arxiv url: http://arxiv.org/abs/2509.17625v1
• Date: Mon, 22 Sep 2025 11:34:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.345442
• Title: Comparing Data Assimilation and Likelihood-Based Inference on Latent State Estimation in Agent-Based Models
• Title（参考訳）: エージェントベースモデルにおける潜在状態推定におけるデータ同化と類似度に基づく推論の比較
• Authors: Blas Kolic, Corrado Monti, Gianmarco De Francisci Morales, Marco Pangallo,
• Abstract要約: 本稿では,エージェントベースモデル(ABM)の文脈において,データ同化(DA)とIslihood-based Inference(LBI)を初めて体系的に比較する。 LBIは、モデルの可能性を直接活用することで、より正確な状態推定を提供するが、手作りの、モデル固有の可能性関数を必要とするコストがかかる。 LBIはエージェントレベルの推論に好適であるのに対し, DAは集約予測に好適であることが示唆された。
• 参考スコア（独自算出の注目度）: 5.107477527498209
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we present the first systematic comparison of Data Assimilation (DA) and Likelihood-Based Inference (LBI) in the context of Agent-Based Models (ABMs). These models generate observable time series driven by evolving, partially-latent microstates. Latent states need to be estimated to align simulations with real-world data -- a task traditionally addressed by DA, especially in continuous and equation-based models such as those used in weather forecasting. However, the nature of ABMs poses challenges for standard DA methods. Solving such issues requires adaptation of previous DA techniques, or ad-hoc alternatives such as LBI. DA approximates the likelihood in a model-agnostic way, making it broadly applicable but potentially less precise. In contrast, LBI provides more accurate state estimation by directly leveraging the model's likelihood, but at the cost of requiring a hand-crafted, model-specific likelihood function, which may be complex or infeasible to derive. We compare the two methods on the Bounded-Confidence Model, a well-known opinion dynamics ABM, where agents are affected only by others holding sufficiently similar opinions. We find that LBI better recovers latent agent-level opinions, even under model mis-specification, leading to improved individual-level forecasts. At the aggregate level, however, both methods perform comparably, and DA remains competitive across levels of aggregation under certain parameter settings. Our findings suggest that DA is well-suited for aggregate predictions, while LBI is preferable for agent-level inference.
• Abstract（参考訳）: 本稿では、エージェントベースモデル(ABM)の文脈において、データ同化(DA)と類似性に基づく推論(LBI)を初めて体系的に比較する。 これらのモデルは、進化する部分的に遅延したマイクロステートによって駆動される観測可能な時系列を生成する。 特に気象予報に使用されるような連続的および方程式に基づくモデルにおいて、遅延状態はシミュレーションと実世界のデータとの整合性を推定する必要がある。 しかし、ABMの性質は標準DA手法の課題を提起している。 このような問題を解決するには、従来のDA手法や、LBIのようなアドホックな代替手法の適応が必要である。 DAはモデルに依存しない方法で確率を近似し、広く適用できるが、潜在的に正確ではない。 対照的に、LBIはモデルの可能性を直接活用することで、より正確な状態推定を提供するが、手作りのモデル固有の可能性関数を必要とするコストでは、導出が複雑または不可能である。 筆者らは, エージェントが, 十分に類似した意見を持つ他者によってのみ影響されるような, ABM のよく知られた意見力学である境界信頼モデルにおける2つの手法を比較した。 LBIは、モデルミス特定であっても、潜伏するエージェントレベルの意見を回復し、個々のレベルの予測を改善する。 しかし、アグリゲーションレベルでは、どちらの手法も比較可能であり、DAは特定のパラメータ設定下でのアグリゲーションのレベルにわたって競合する。 LBIはエージェントレベルの推論に好適であるのに対し, DAは集約予測に好適であることが示唆された。

関連論文リスト

• Robust Simulation-Based Inference under Missing Data via Neural Processes [6.32765579505162]
  我々は,SBIにおける欠落データの問題を定式化し,本手法がSBI後部推定にバイアスをもたらすことを示す。 また,神経後部推定フレームワークにおいて,計算モデルと推論ネットワークを共同で学習することにより,この問題に対処する新しい補正手法を提案する。
  論文  参考訳（メタデータ） (2025-03-03T08:22:01Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• 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)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Semi-supervised Regression Analysis with Model Misspecification and High-dimensional Data [8.619243141968886]
  条件付き平均モデルにおける回帰係数を推定するための推論フレームワークを提案する。 提案手法は,正規化推定器を適応度スコア(PS)と結果回帰(OR)モデルの両方に用い,拡張逆確率重み付き(AIPW)法を開発した。 我々の理論的な知見は、広範囲なシミュレーション研究と実世界のデータ応用を通して検証される。
  論文  参考訳（メタデータ） (2024-06-20T00:34:54Z)
• Learning Robust Statistics for Simulation-based Inference under Model Misspecification [23.331522354991527]
  本稿では,シミュレーションに基づく推論手法の異なるクラスにまたがって機能するモデル不特定性を扱うための,最初の一般的なアプローチを提案する。 提案手法は,モデルが適切に特定された場合の精度を保ちながら,不特定シナリオにおいて頑健な推論をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-05-25T09:06:26Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)

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。