[論文レビュー] Data-driven dynamic decision models

John J. Nay, Jonathan M. Gilligan|arXiv (Cornell University)|Dec 6, 2015

Opinion Dynamics and Social Influence参考文献 38被引用数 1

ひとこと要約

本論文は、遺伝的アルゴリズムと効率的なモデル表現を用いたデータ駆動型手法を提案し、動的意思決定の解釈可能で予測可能なモデルを自動的に生成する。シミュレートされたデータから既知の意思決定ルールを回復し、人間や国際関係ゲームのデータを正確にモデル化するなど、大規模データセットにおいて優れたスケーラビリティと解釈可能性を示した。

ABSTRACT

This article outlines a method for automatically generating models of dynamic decision-making that both have strong predictive power and are interpretable in human terms. This is useful for designing empirically grounded agent-based simulations and for gaining direct insight into observed dynamic processes. We use an efficient model representation and a genetic algorithm-based estimation process to generate simple approximations that explain most of the structure of complex stochastic processes. This method, implemented in C++ and R, scales well to large data sets. We apply our methods to empirical data from human subjects game experiments and international relations. We also demonstrate the method's ability to recover known data-generating processes by simulating data with agent-based models and correctly deriving the underlying decision models for multiple agent models and degrees of stochasticity.

研究の動機と目的

• 高い予測力と人間が理解できる解釈可能性を持つ動的意思決定モデルを自動的に生成する手法を開発すること。
• データ駆動型アプローチを用いて、複雑な確率的プロセスを動的環境でモデル化する課題に取り組むこと。
• モデルの単純さと解釈可能性を保ちながら、大規模データセットへの効率的なスケーリングを実現すること。
• 人間のゲーム実験および国際関係の文脈からの実世界の実証データを用いて、手法の妥当性を検証すること。
• 異なる確率的要因の下で、エージェントベースのシミュレーションから生成された合成データから既知の意思決定ルールを回復できるかを示すこと。

提案手法

• 複雑で確率的な環境において最適な意思決定モデルのパラメータを探索するため、遺伝的アルゴリズムに基づく推定プロセスを用いる。
• 意思決定ルールの単純化を図りながらも予測精度を保持する、効率的なモデル表現を採用する。
• 実世界の実証データ（人間被験者や国際関係のデータ）およびエージェントベースのシミュレーションから得た合成データの両方へ適用する。
• C++およびRを用いた実装により、計算効率を高め、大規模データセットへのスケーリングを効果的に行う。
• 観察されたデータへの適合性と解釈可能性の両立を最適化することで、モデルの単純さと予測力のバランスを図る。
• 合成データを生成する際に既知の意思決定ルールを設定し、そのルールが再同定可能かどうかをテストすることで、モデル回復の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型手法は、解釈可能で予測可能な動的意思決定モデルを自動的に生成できるか？
• RQ2 本手法は、人間のゲーム実験および国際関係の文脈からの実世界の実証データに対して、どの程度の性能を示すか？
• RQ3 エージェントベースのモデルから生成された合成データから、既知の意思決定ルールをどの程度回復できるか？
• RQ4 本手法は、モデルの解釈可能性と予測精度を維持したまま、大規模データセットへどの程度スケーリングできるか？
• RQ5 データの確率的要因が増加するにつれて、本手法は潜在的な意思決定プロセスを回復できる能力にどの程度影響を受けるか？

主な発見

• 本手法は、実データおよび合成データの両方において、強い予測力を持つ動的意思決定モデルを効果的に生成した。
• 高い確率的要因が存在する状況下でも、シミュレートされたデータから既知の意思決定ルールを正確に回復できた。
• 本手法は大規模データセットへ効果的にスケーリングでき、複雑な現実世界の動的プロセスへの応用を可能にした。
• 得られたモデルは人間の言語で解釈可能であり、観察された意思決定行動の本質的要因を直接的洞察可能にした。
• モデルの単純さと高い予測精度の両立を図ることで、単純なアプローチに比べて本手法は優れた性能を示した。
• 人間被験者および国際関係のデータに対する実証的妥当性評価により、本手法の頑健性と実用的有用性が確認された。