Variational Inference of Parameters in Opinion Dynamics Models

要約

社会現象の研究にはエージェントベース モデル (ABM) が頻繁に使用されているにもかかわらず、パラメータ推定は依然として課題であり、多くの場合、コストのかかるシミュレーション ベースのヒューリスティックに依存しています。
この研究では、変分推論を使用して、推定問題を直接解決できる最適化タスクに変換することにより、意見ダイナミクス ABM のパラメーターを推定します。
私たちの提案は確率的生成 ABM (PGABM) に依存しています。まず、ABM ルールから確率的生成モデルを合成します。
次に、推論プロセスを自動微分に適した最適化問題に変換します。
特に、カテゴリカルなエージェント属性には Gumbel-Softmax 再パラメータ化を使用し、パラメータ推定には確率的変分推論を使用します。
さらに、異なる複雑さを持つ変分分布、つまり正規分布とフローの正規化を使用することのトレードオフを調査します。
エージェントの役割 (リーダーとフォロワー) を使用して、限定された信頼モデルに基づいてメソッドを検証します。
私たちのアプローチは、シミュレーションベースの手法や MCMC 手法よりも、巨視的 (限界信頼区間とバックファイアしきい値) と微視的 (200 ドルのカテゴリ別、エージェントレベルの役割) の両方をより正確に推定します。
その結果、私たちの技術により、専門家は現実世界の観察に照らして ABM を調整して検証できるようになり、データ駆動型分析を通じて社会システムにおける人間の行動についての洞察が得られます。

要約(オリジナル)

Despite the frequent use of agent-based models (ABMs) for studying social phenomena, parameter estimation remains a challenge, often relying on costly simulation-based heuristics. This work uses variational inference to estimate the parameters of an opinion dynamics ABM, by transforming the estimation problem into an optimization task that can be solved directly. Our proposal relies on probabilistic generative ABMs (PGABMs): we start by synthesizing a probabilistic generative model from the ABM rules. Then, we transform the inference process into an optimization problem suitable for automatic differentiation. In particular, we use the Gumbel-Softmax reparameterization for categorical agent attributes and stochastic variational inference for parameter estimation. Furthermore, we explore the trade-offs of using variational distributions with different complexity: normal distributions and normalizing flows. We validate our method on a bounded confidence model with agent roles (leaders and followers). Our approach estimates both macroscopic (bounded confidence intervals and backfire thresholds) and microscopic ($200$ categorical, agent-level roles) more accurately than simulation-based and MCMC methods. Consequently, our technique enables experts to tune and validate their ABMs against real-world observations, thus providing insights into human behavior in social systems via data-driven analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google