Agent-Based Model (ABM)은 복잡계의 출현적 속성을 연구하는 데 유용한 도구입니다. ABM의 에이전트 행동은 국소적 상호작용과 확률적 규칙에 의해 결정되지만, 이러한 규칙은 일반적으로 미분 가능하지 않아 기울기 기반 최적화 방법의 사용을 제한하고, 실제 데이터와의 통합을 어렵게 합니다. 본 논문에서는 ABM이 생성한 데이터를 관찰하여 미분 가능한 ABM 대리 모델을 학습하는 새로운 프레임워크를 제안합니다. 이 방법은 행동의 확률성을 포착하기 위해 확산 모델을, 에이전트 상호 작용을 모델링하기 위해 그래프 신경망을 결합합니다. 기존 대리 모델 접근 방식과 달리, 본 연구는 시스템 수준의 출력을 근사하는 대신 개별 에이전트 행동을 직접 모델링하여 ABM을 정의하는 분산적이고 하향식 역학을 보존합니다.
