[論文レビュー] Evolutionary model discovery of causal factors behind the socio-agricultural behavior of the ancestral Pueblo

Chathika Gunaratne, Iván Garibay+1 more|arXiv (Cornell University)|Feb 1, 2018

Evolutionary Algorithms and Applications参考文献 25被引用数 7

ひとこと要約

本稿では、遺伝的プログラミングとランダムフォレスト回帰を組み合わせたフレームワークとしての進化的モデル発見を紹介する。このフレームワークは、エージェントベースモデルにおける因果要因を同定することを目的としている。アーティフィシャル・アナサジ・モデルに適用した結果、先祖代々のプエブロ民の農地選択行動は距離よりも土地の質や社会的要因に強く影響を受けていたことが判明し、元の距離依存ルールに比べてモデルの精度と頑健性が著しく向上した。

ABSTRACT

Agent-based modeling of artificial societies offers a platform to test human-interpretable, causal explanations of human behavior that generate society-scale phenomena. However, parameter calibration is insufficient to conduct an adequate data-driven exploration of the importance of causal factors that constitute agent rules, resulting in models with limited causal accuracy and robustness. We introduce evolutionary model discovery, a framework that combines genetic programming and random forest regression to evaluate the importance of a set of causal factors hypothesized to affect the individual's decision-making process. We investigated the farm plot seeking behavior of the ancestral Pueblo of the Long House Valley simulated in the Artificial Anasazi model our proposed framework. We evaluated the importance of causal factors not considered in the original model that we hypothesized to have affected the decision-making process. Contrary to the original model, where closeness was the sole factor driving farm plot selection, selection of higher quality land and desire for social presence are shown to be more important. In fact, model performance is improved when agents select farm plots further away from their failed farm plot. Farm selection strategies designed using these insights into the socio-agricultural behavior of the ancestral Pueblo significantly improved the model's accuracy and robustness.

研究の動機と目的

• エージェントベースモデルにおけるパrameter キャリブレーションの限界を克服すること。これは、代替の意思決定ルール構造の探索や因果要因の重要度の評価ができない点に起因する。
• 社会的スケールの現象を説明する妥当なエージェントの意思決定ルールを体系的かつ自動的に発見するための方法を開発すること。
• 個々の意思決定プロセスにおける最も影響力のある要因を同定することで、モデルの頑健性と因果的正確性を向上させること。
• 長ホース・バレーにおける先祖代々のプエブロ民の人口動態をよりよく説明するため、距離以外の代替農地選択ルールが有効かどうかを検証すること。
• 発見されたルールに基づくモデルが、元のアーティフィシャル・アナサジ・モデルに比べてアーカイブデータの適合性において優れていることを示すこと。

提案手法

• 進化的モデル発見は、仮説された因果要因のセットから、遺伝的プログラミングを用いて自動的に候補となるエージェントの意思決定ルールを生成・進化させる。
• 各候補ルールは、ABMのシミュレーションを実行し、実測の人口時系列データとの一致度をRMSEで測定することで評価される。
• 得られたルールと適合度スコアのデータセットに対してランダムフォレスト回帰を適用し、モデル性能を予測する要因の重要度を定量化する。
• このフレームワークにより、意思決定論理の差にのみ注目したルール構造の体系的比較が可能となり、手動での再実装に起因する実装エラーを回避できる。
• この手法は並列実行をサポートしており、要因間の複雑な相互作用を含む、膨大な数の可能性のある意思決定ルールの探索が可能である。
• 本手法は、800–1400 AD の期間に焦点を当て、アーティフィシャル・アナサジ・モデルを用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 距離以外の要因として、先祖代々のプエブロ民の家族が新たな農地を選択する際に、最も顕著に影響を与える因果要因は何か？
• RQ2 土地の質、社会的つながり、移住行動を組み込むことで、人口動態のシミュレーションにおけるモデルの正確性と頑健性はどのように変化するか？
• RQ3 進化的モデル発見は、元のモデルが採用する距離依存ルールよりも、より正確で頑健な意思決定ルールを同定できるか？
• RQ4 土壌の質、社会的つながり、距離の相対的な重要度は、先祖代々のプエブロ民の農地選択戦略においてどうなるか？
• RQ5 失敗した農地への距離を最小化するのではなく、より高い土地の質を重視するルール、あるいは社会的クラスタリングを優先するルールは、元のルールを上回る性能を示すか？

主な発見

• 元のモデルが失敗後に利用可能な最も近い農地を選択すると仮定していたが、これは土地の質を重視するルールの方が、RMSEが低いため、より優れていた。
• 土地の質（F_Qual）が農地選択において最も重要な要因であり、次に社会的つながり（F_Soc）が続いた。これは、元のモデルが距離に依存していたのとは対照的である。
• 土地の質を最大化する戦略（argmax F_Qual）を採用したモデルは、100回のランダム化パrameter ルンで元のモデルよりも顕著に低いRMSEを達成した。
• 土地の質と社会的つながりの両方を組み込んだ戦略（例：5F_Soc + 6F_Qual）は、さらにモデルの頑健性と正確性を向上させた。
• 失敗した農地からの距離を遠ざける（F_Dist を -F_Dist に使用）こと、あるいは異なる地域に移住する（F_Mig）ことにより、より優れた性能が得られた。これは、非近接選択がより現実的であることを示唆している。
• 進化的モデル発見によって得られた3つの最良モデルは、100回のランダム化実行において一貫して元のモデルを上回り、著しく向上した頑健性を示した。