Learning Individual Behavior in Agent-Based Models with Graph Diffusion Networks
Created by
Haebom
저자
Francesco Cozzi, Marco Pangallo, Alan Perotti, Andre Panisson, Corrado Monti
개요
본 논문은 복잡계 시스템의 출현 특성을 연구하는 강력한 도구인 에이전트 기반 모델(ABM)의 비미분 가능한 특성으로 인해 기울기 기반 최적화 및 실제 데이터 통합이 어려운 점을 해결하기 위해 새로운 프레임워크를 제시한다. 이 프레임워크는 ABM이 생성한 데이터를 관찰하여 미분 가능한 대체 모델을 학습하는데, 확산 모델을 이용하여 행동의 확률성을 포착하고 그래프 신경망을 이용하여 에이전트 간 상호작용을 모델링한다. 기존의 대체 모델 접근 방식과 달리 시스템 수준의 출력을 근사하는 대신 개별 에이전트의 행동을 직접 모델링하여 ABM을 정의하는 분산적이고 상향식 동역학을 보존한다. Schelling의 분리 모델과 포식자-피식자 생태계 두 가지 ABM에 대한 검증을 통해 개별 수준의 패턴을 복제하고 훈련을 넘어 출현 역학을 정확하게 예측하는 것을 보여준다.
시사점, 한계점
•
시사점:
◦
확산 모델과 그래프 학습을 결합하여 데이터 기반 ABM 시뮬레이션이 가능함을 보여줌.
◦
개별 에이전트 행동을 직접 모델링하여 ABM의 분산적, 상향식 역학을 보존.
◦
훈련 데이터를 넘어 정확한 예측 가능.
•
한계점:
◦
제시된 프레임워크의 일반성 및 다양한 ABM 유형에 대한 적용 가능성에 대한 추가 연구 필요.
