[논문 리뷰] Evolutionary model discovery of causal factors behind the socio-agricultural behavior of the ancestral Pueblo

Chathika Gunaratne, Iván Garibay외 1명|arXiv (Cornell University)|2018. 02. 01.

Evolutionary Algorithms and Applications참고 문헌 25인용 수 7

한 줄 요약

이 논문은 유전적 프로그래밍과 랜덤 포레스트 회귀를 조합한 프레임워크인 진화적 모델 발견을 소개한다. 이는 에이전트 기반 모델에서 인과적 요인을 규명하는 데 목적이 있다. 인공 아나사지 모델에 적용한 결과, 조상 푸에블로 농경지 선택은 거리보다는 토양 질과 사회적 존재에 더 크게 영향을 받는 것으로 드러났으며, 원래의 거리 기반 규칙에 비해 모델의 정확성과 강건성은 크게 향상되었다.

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.

연구 동기 및 목표

• 에이전트 기반 모델에서의 매개변수 校정의 한계를 해결하기 위해, 대안적 결정 규칙의 구조를 탐색하거나 인과적 요인의 중요도를 평가할 수 있도록 하는 것.
• 사회 규모의 현상을 설명하는 타당한 에이전트 결정 규칙을 체계적이고 자동화된 방법으로 발견하는 것.
• 개별 결정 과정에서 가장 영향력 있는 요인을 규명함으로써 모델의 강건성과 인과 정확도를 향상시키는 것.
• 원래의 거리 기반 규칙 외에 다른 농경지 선택 규칙이 장 하우스 밸리의 고대 푸에블로 인구 역학을 더 잘 설명하는지 테스트하는 것.
• 발견된 규칙에 기반한 모델이 고대 아나사지 모델보다 아카이브 자료에 더 잘 맞는지를 보여주는 것.

제안 방법

• 진화적 모델 발견은 유전적 프로그래밍을 사용해 가설화된 인과적 요인의 집합에서 자동으로 후보 에이전트 결정 규칙을 생성하고 진화시킨다.
• 각 후보 규칙은 ABM 시뮬레이션을 통해 평가되며, RMSE를 사용해 실측 인구 시계열 자료와의 모델 적합도를 측정한다.
• 결과로 생성된 규칙와 적합도 점수의 데이터셋에 대해 랜덤 포레스트 회귀를 적용하여 각 인과적 요인이 모델 성능 예측에 기여하는 정도를 정량화한다.
• 이 프레임워크는 결정 논리에만 초점을 맞춰 규칙의 구조를 체계적으로 비교할 수 있게 하며, 수동 재현으로 인한 오류를 방지한다.
• 이 방법은 병렬 실행을 지원하며, 복잡한 요인 간 상호작용을 포함한 수많은 가능한 결정 규칙의 공간을 탐색할 수 있다.
• 이 방법은 800–1400년 사이의 농경지 선택 행동에 중점을 두고 인공 아나사지 모델에서 검증되었다.

실험 결과

연구 질문

• RQ1 거리 외에 어떤 인과적 요인이 조상 푸에블로 가정의 새로운 농경지 선택에 가장 크게 영향을 미치는가?
• RQ2 토양 질, 사회적 존재, 이주 행동을 포함시키면 모의 인구 역학 시뮬레이션에서 모델의 정확성과 강건성에 어떤 영향을 미치는가?
• RQ3 진화적 모델 발견은 원래 모델의 거리 기반 규칙보다 더 정확하고 강건한 결정 규칙을 식별할 수 있는가?
• RQ4 토양 질, 사회적 연결성, 거리 중 어느 요인이 고대 푸에블로의 농경지 선택 전략에서 상대적으로 더 중요한가?
• RQ5 실패한 땅에 가까운 땅을 선택하는 것 외에, 더 높은 품질의 땅을 선호하거나 사회적 군집을 선호하는 규칙이 원래 규칙보다 성능이 뛰어나지 않는가?

주요 결과

• 실패 후 가장 가까운 이용 가능한 땅을 선택한다는 원래 모델의 가정은, 더 높은 품질의 땅을 선호하는 규칙에 비해 RMSE 측면에서 열등했다.
• 토양 품질(F_Qual)이 농경지 선택에서 가장 중요한 요인으로 규명되었으며, 그 다음으로 사회적 존재(F_Soc)가 중요했고, 이는 원래 모델이 거리에 의존한 것과 정반대였다.
• 토양 품질을 최대화하는 전략(예: argmax F_Qual)을 사용한 모델은 100회의 랜덤화된 매개변수 실행 동안 원래 모델보다 유의미하게 낮은 RMSE를 기록했다.
• 토양 품질과 사회적 존재를 모두 반영한 전략(예: 5F_Soc + 6F_Qual)은 모델의 강건성과 정확도를 더욱 향상시켰다.
• 실패한 땅에서 더 멀리 떨어진 땅을 선택하는 전략(F_Dist 사용) 또는 다른 지역으로 이주하는 전략(F_Mig)을 채택한 모델은 더 뛰어난 성능을 보였으며, 이는 비거리 기반 선택이 더 현실적으로 보인다는 것을 시사한다.
• 진화적 모델 발견을 통해 유도된 세 개의 최상위 성능 모델은 100회의 랜덤화 실행에서 일관되게 원래 모델을 뛰어넘었으며, 이는 유의미하게 향상된 강건성을 보여주었다.