Bayesian calibration of differentiable agent-based models

要約

エージェントベースのモデリング (ABMing) は、複雑なシステムをモデリングするための強力かつ直感的なアプローチです。
ただし、ABM の尤度関数の扱いが難しく、これらのモデルを構成する数学的演算の非微分可能性により、現実世界での使用には課題​​が生じます。
これらの問題により、ABM の近似ベイズ推論法や、任意の ABM に対する微分可能な近似の構築に関する研究が生み出されましたが、微分可能な ABM の特定のケースに対する近似ベイズ推論手法の設計にはほとんど研究が向けられていませんでした。
この研究では、このギャップに対処し、微分可能な ABM に対して誤指定に強いベイズ パラメータ推論を提供するために一般化された変分推論手順をどのように使用できるかを議論することを目的としています。
私たちは、新型コロナウイルス感染症パンデミックの微分可能な ABM に関する実験で、私たちのアプローチが正確な推論をもたらすことができることを実証し、今後の研究への道について議論します。

要約(オリジナル)

Agent-based modelling (ABMing) is a powerful and intuitive approach to modelling complex systems; however, the intractability of ABMs’ likelihood functions and the non-differentiability of the mathematical operations comprising these models present a challenge to their use in the real world. These difficulties have in turn generated research on approximate Bayesian inference methods for ABMs and on constructing differentiable approximations to arbitrary ABMs, but little work has been directed towards designing approximate Bayesian inference techniques for the specific case of differentiable ABMs. In this work, we aim to address this gap and discuss how generalised variational inference procedures may be employed to provide misspecification-robust Bayesian parameter inferences for differentiable ABMs. We demonstrate with experiments on a differentiable ABM of the COVID-19 pandemic that our approach can result in accurate inferences, and discuss avenues for future work.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google