論文の概要: Heterogeneous RBCs via deep multi-agent reinforcement learning

• arxiv url: http://arxiv.org/abs/2510.12272v1
• Date: Tue, 14 Oct 2025 08:26:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.25044
• Title: Heterogeneous RBCs via deep multi-agent reinforcement learning
• Title（参考訳）: 深層多エージェント強化学習による不均一RBC
• Authors: Federico Gabriele, Aldo Glielmo, Marco Taboga,
• Abstract要約: 本稿では,深いマルチエージェント強化学習と実業務サイクル(RBC)モデルを統合するフレームワークであるMARL-BCを紹介する。 MARL-BCは,(1)単一エージェントを用いた場合の教科書結果の復元,(2)多数の同一エージェントを用いた平均場KSモデルの結果の復元,(3)エージェント間の豊富な不均一性を効果的にシミュレートする。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current macroeconomic models with agent heterogeneity can be broadly divided into two main groups. Heterogeneous-agent general equilibrium (GE) models, such as those based on Heterogeneous Agents New Keynesian (HANK) or Krusell-Smith (KS) approaches, rely on GE and 'rational expectations', somewhat unrealistic assumptions that make the models very computationally cumbersome, which in turn limits the amount of heterogeneity that can be modelled. In contrast, agent-based models (ABMs) can flexibly encompass a large number of arbitrarily heterogeneous agents, but typically require the specification of explicit behavioural rules, which can lead to a lengthy trial-and-error model-development process. To address these limitations, we introduce MARL-BC, a framework that integrates deep multi-agent reinforcement learning (MARL) with Real Business Cycle (RBC) models. We demonstrate that MARL-BC can: (1) recover textbook RBC results when using a single agent; (2) recover the results of the mean-field KS model using a large number of identical agents; and (3) effectively simulate rich heterogeneity among agents, a hard task for traditional GE approaches. Our framework can be thought of as an ABM if used with a variety of heterogeneous interacting agents, and can reproduce GE results in limit cases. As such, it is a step towards a synthesis of these often opposed modelling paradigms.
• Abstract（参考訳）: エージェントの不均一性を持つ現在のマクロ経済モデルは、大きく2つの主要なグループに分けられる。 Heterogeneous-Adnt General equilibrium (GE) モデル、例えば Heterogeneous Agents New Keynesian (HANK) や Krusell-Smith (KS) アプローチは GE と 'rational expect' に依存している。 対照的に、エージェントベースモデル(ABM)は、多くの任意に不均一なエージェントを柔軟に包含することができるが、通常、明示的な行動規則の仕様を必要とするため、長い試行錯誤モデル開発プロセスにつながる可能性がある。 これらの制約に対処するために,深層多エージェント強化学習(MARL)と実業務サイクル(RBC)モデルを統合するフレームワークであるMARL-BCを導入する。 MARL-BCは,(1)1つのエージェントを用いた教科書RBC結果の復元,(2)多数の同一エージェントを用いた平均場KSモデルの結果の回収,(3)エージェント間の豊富な不均一性を効果的にシミュレートし,従来のGEアプローチの難易度である。 異種相互作用剤を多種に用いた場合,本フレームワークはABMとみなすことができ,GEの結果を限定例で再現することができる。 このように、しばしば反対されるモデリングパラダイムの合成に向けた一歩である。

関連論文リスト

• Generative diffusion model surrogates for mechanistic agent-based biological models [0.0]
  CPM(Cellular-Potts Model)は、CPMを開発・尋問する強力なフレームワークである。 サロゲートモデルは複雑な生物学的システムのCPMを加速的に評価することができる。 我々は、in vitroで血管新生を調べるために使用されるCPMのAI代理分類器を訓練する。 我々の研究は、生体システムのデジタル双対を開発するためのDDPMの実装に向けた一歩である。
  論文  参考訳（メタデータ） (2025-05-01T08:19:51Z)
• Model-Based RL for Mean-Field Games is not Statistically Harder than Single-Agent RL [57.745700271150454]
  モデルに基づく関数近似を用いた平均フィールドゲーム(MFG)における強化学習のサンプル複雑性について検討した。 本稿では、モデルクラスの複雑性を特徴付けるためのより効果的な概念である部分モデルベースエルダー次元(P-MBED)を紹介する。
  論文  参考訳（メタデータ） (2024-02-08T14:54:47Z)
• EconAgent: Large Language Model-Empowered Agents for Simulating Macroeconomic Activities [43.70290385026672]
  EconAgentは、マクロ経済シミュレーションのための人間のような特徴を持つ大規模言語モデルを用いたエージェントである。 まず,エージェントの判断による市場動態を取り入れたシミュレーション環境を構築する。 認識モジュールを通して、異なる意思決定機構を持つ異種エージェントを作成する。
  論文  参考訳（メタデータ） (2023-10-16T14:19:40Z)
• Heterogeneous Multi-Robot Reinforcement Learning [7.22614468437919]
  不均一グラフニューラルネットワークプロキシポリシー最適化は、異種MARLポリシーをトレーニングするためのパラダイムである。 均質モデルがヘテロジニアスな振る舞いをエミュレートするために利用できる手法のキャラクタリゼーションを提案する。
  論文  参考訳（メタデータ） (2023-01-17T19:05:17Z)
• Relational Reasoning via Set Transformers: Provable Efficiency and Applications to MARL [154.13105285663656]
  置換不変エージェントフレームワークを用いたMARL(Multi-A gent R einforcement Learning)は,実世界のアプリケーションにおいて大きな実証的成功を収めた。 残念なことに、このMARL問題の理論的理解は、多くのエージェントの呪いと、既存の著作における関係推論の限定的な探索によって欠落している。 モデルフリーアルゴリズムとモデルベースアルゴリズムの最適度差は各エージェント数に独立して対数的であり、多くのエージェントの呪いを和らげる。
  論文  参考訳（メタデータ） (2022-09-20T16:42:59Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)

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。