Learning Individual Behavior in Agent-Based Models with Graph Diffusion Networks

要約

エージェントベースのモデル（ABM）は、複雑なシステムで緊急特性を研究するための強力なツールです。
ABMSでは、エージェントの動作は、局所的な相互作用と確率的ルールによって支配されています。
ただし、これらのルールは一般に、拡張不可能であり、最適化のための勾配ベースの方法の使用、したがって実際のデータとの統合を制限しています。
生成されたデータを観察することにより、ABMの違いのある代理を学習するための新しいフレームワークを提案します。
私たちの方法は、拡散モデルを組み合わせて行動の確率性とグラフニューラルネットワークをキャプチャして、エージェントの相互作用をモデル化します。
以前の代理アプローチとは異なり、私たちの方法は基本的な変化を導入します。システムレベルの出力を近似するのではなく、個々のエージェントの動作を直接モデル化し、ABMを定義する分散型のボトムアップダイナミクスを維持します。
2つのABMS（Schellingの分離モデルとPredator-Preyエコシステム）でのアプローチを検証します。個人レベルのパターンを複製し、トレーニングを超えて緊急ダイナミクスを正確に予測します。
我々の結果は、データ駆動型のABMシミュレーションの拡散モデルとグラフ学習を組み合わせる可能性を示しています。

要約(オリジナル)

Agent-Based Models (ABMs) are powerful tools for studying emergent properties in complex systems. In ABMs, agent behaviors are governed by local interactions and stochastic rules. However, these rules are, in general, non-differentiable, limiting the use of gradient-based methods for optimization, and thus integration with real-world data. We propose a novel framework to learn a differentiable surrogate of any ABM by observing its generated data. Our method combines diffusion models to capture behavioral stochasticity and graph neural networks to model agent interactions. Distinct from prior surrogate approaches, our method introduces a fundamental shift: rather than approximating system-level outputs, it models individual agent behavior directly, preserving the decentralized, bottom-up dynamics that define ABMs. We validate our approach on two ABMs (Schelling’s segregation model and a Predator-Prey ecosystem) showing that it replicates individual-level patterns and accurately forecasts emergent dynamics beyond training. Our results demonstrate the potential of combining diffusion models and graph learning for data-driven ABM simulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google