論文の概要: Towards agent-based-model informed neural networks
- arxiv url: http://arxiv.org/abs/2512.05764v1
- Date: Fri, 05 Dec 2025 14:50:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-13 22:40:57.068528
- Title: Towards agent-based-model informed neural networks
- Title（参考訳）: エージェントベースモデルニューラルネットを目指して
- Authors: Nino Antulov-Fantulin,
- Abstract要約: エージェントベースモデルの基本原理と整合したニューラルネットワークを設計するためのフレームワークを提案する。
複雑さの増加に関する3つのケーススタディにまたがって、このフレームワークを検証する。
- 参考スコア（独自算出の注目度）: 0.5787117733071417
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this article, we present a framework for designing neural networks that remain consistent with the underlying principles of agent-based models. We begin by highlighting the limitations of standard neural differential equations in modeling complex systems, where physical invariants (like energy) are often absent but other constraints (like mass conservation, network locality, bounded rationality) must be enforced. To address this, we introduce Agent-Based-Model informed Neural Networks(ABM-NNs), which leverage restricted graph neural networks and hierarchical decomposition to learn interpretable, structure-preserving dynamics. We validate the framework across three case studies of increasing complexity: (i) a generalized Generalized Lotka--Volterra system, where we recover ground-truth parameters from short trajectories in presence of interventions; (ii) a graph-based SIR contagion model, where our method outperforms state-of-the-art graph learning baselines (GCN, GraphSAGE, Graph Transformer) in out-of-sample forecasting and noise robustness; and (iii) a real-world macroeconomic model of the ten largest economies, where we learn coupled GDP dynamics from empirical data and demonstrate gradient-based counterfactual analysis for policy interventions.
- Abstract（参考訳）: 本稿では,エージェントモデルの基本原理と一致しないニューラルネットワークを設計するためのフレームワークを提案する。
まず、複雑なシステムのモデリングにおいて、物理不変量(エネルギーなど)がしばしば欠落するが、他の制約(質量保存、ネットワーク局所性、有界有理性など)を強制しなければならないような、標準的な神経微分方程式の極限を強調します。
これを解決するために,制限付きグラフニューラルネットワークと階層分解を利用したエージェントベースモデル情報ニューラルネットワーク(ABM-NN)を導入し,解釈可能な構造保存ダイナミクスを学習する。
複雑さの増加に関する3つのケーススタディにまたがって、フレームワークを検証する。
i) 一般化されたロトカ・ボルテラシステムで,介入の有無で短い軌道から地絡パラメータを復元する。
(ii) グラフベースのSIR感染モデルにおいて,本手法は,非サンプル予測およびノイズ堅牢性において,最先端のグラフ学習ベースライン(GCN, GraphSAGE, Graph Transformer)より優れ,かつ,その性能が向上する。
3)10大国における実世界のマクロ経済モデルであり、実証データからGDPダイナミクスの結合を学習し、政策介入に対する勾配に基づく反実分析を実証する。
関連論文リスト
- Learning Dynamic Graphs via Tensorized and Lightweight Graph Convolutional Networks [0.0]
動的グラフの正確な表現学習を実現するために動的グラフ畳み込みネットワーク(DGCN)が成功している。
本研究は,動的グラフ学習のための新しい軽量グラフコナーネットワーク (TLGCN) を提案する。
論文 参考訳（メタデータ） (2025-04-22T06:13:32Z) - Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。
我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文 参考訳（メタデータ） (2025-02-16T23:13:55Z) - Predicting Steady-State Behavior in Complex Networks with Graph Neural Networks [0.0]
複雑なシステムでは、情報伝達は拡散または非局在化、弱局所化、強局所化と定義できる。
本研究では,線形力学系のネットワーク上での挙動を学習するために,グラフニューラルネットワークモデルの適用について検討する。
論文 参考訳（メタデータ） (2025-02-02T17:29:10Z) - Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。
学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-09-26T16:22:08Z) - CGNSDE: Conditional Gaussian Neural Stochastic Differential Equation for Modeling Complex Systems and Data Assimilation [1.4322470793889193]
条件付きニューラル微分方程式(CGNSDE)と呼ばれる新しい知識ベースおよび機械学習ハイブリッドモデリング手法を開発した。
標準的なニューラルネットワーク予測モデルとは対照的に、CGNSDEは前方予測タスクと逆状態推定問題の両方に効果的に取り組むように設計されている。
論文 参考訳（メタデータ） (2024-04-10T05:32:03Z) - GDBN: a Graph Neural Network Approach to Dynamic Bayesian Network [7.876789380671075]
スパースDAGの学習を目的としたスコアに基づくグラフニューラルネットワーク手法を提案する。
グラフニューラルネットワークを用いた手法は,動的ベイジアンネットワーク推論を用いた他の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2023-01-28T02:49:13Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳（メタデータ） (2021-12-13T17:35:54Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z)
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。