AI-Assisted Discovery of Quantitative and Formal Models in Social Science

要約

社会科学では、経済成長や集団行動を説明するモデルなどの形式的かつ定量的なモデルが、メカニズムの説明を定式化し、予測を提供し、観察された現象についての疑問を明らかにするために使用されます。
ここでは、社会科学データセット内の非線形で動的関係を捉えるシンボリック モデルの発見を支援する機械学習システムの使用を示します。
神経記号法を拡張してノイズの多い縦断データからコンパクトな関数と微分方程式を見つけることにより、私たちのシステムが経済学と社会学の現実世界のデータから解釈可能なモデルを発見するために使用できることを示します。
記号回帰を使用して既存のワークフローを拡張すると、科学プロセス中に新しい関係を明らかにし、反事実モデルを探索するのに役立ちます。
私たちは、この AI 支援フレームワークが、非線形モデルの空間を系統的に探索し、表現力と解釈可能性のきめ細かい制御を可能にすることで、社会科学研究で一般的に使用されているパラメトリック モデルとノンパラメトリック モデルの橋渡しができることを提案します。

要約(オリジナル)

In social science, formal and quantitative models, such as ones describing economic growth and collective action, are used to formulate mechanistic explanations, provide predictions, and uncover questions about observed phenomena. Here, we demonstrate the use of a machine learning system to aid the discovery of symbolic models that capture nonlinear and dynamical relationships in social science datasets. By extending neuro-symbolic methods to find compact functions and differential equations in noisy and longitudinal data, we show that our system can be used to discover interpretable models from real-world data in economics and sociology. Augmenting existing workflows with symbolic regression can help uncover novel relationships and explore counterfactual models during the scientific process. We propose that this AI-assisted framework can bridge parametric and non-parametric models commonly employed in social science research by systematically exploring the space of nonlinear models and enabling fine-grained control over expressivity and interpretability.

arxiv情報

著者 Julia Balla,Sihao Huang,Owen Dugan,Rumen Dangovski,Marin Soljacic
発行日 2023-08-16 17:45:13+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.SC, econ.EM パーマリンク