Interventionally Consistent Surrogates for Agent-based Simulators

本文介绍了基于代理的模拟器通过直接对系统的组成代理进行建模，提供了复杂智能系统的细粒度表示。它们的高保真度使得可以进行超局部策略评估和“假设如果”场景测试，但这也伴随着大量的计算成本，从而抑制了它们的广泛使用。代理模型可以解决这些计算限制，但它们必须在感兴趣的策略干预下与代理模型保持一致。在本文中，我们利用最近关于因果抽象的发展，开发了一个学习干预一致代理模拟器的框架。我们提出的方法促进了复杂系统中的策略干预的快速实验，同时在感兴趣的干预方面，引导代理模型与高概率一致的代理模型。通过实证研究，我们证明了在观察培训代理的情况下，代理可以错误地判断干预的效果，并误导决策者采取次优策略，而经过我们提出的方法进行干预一致性训练的代理，可以在感兴趣的干预下紧密模拟代理模型的行为。

本论文旨在解决代理模拟器的计算成本高、难以广泛使用的问题，提出了一种学习干预一致性代理模型的框架。

该论文利用因果抽象的最新发展，提出了一种学习干预一致性代理模型的框架，以便在复杂系统中进行快速实验。

论文通过实证研究表明，观察训练的代理模型可能会误判干预效果，误导政策制定者制定次优政策。该论文提出的方法可以在干预感兴趣的情况下，让代理模型行为与基于代理的模拟器高度一致。该论文的亮点在于提出了一种解决代理模拟器计算成本高、难以广泛使用的问题的新方法。

最近的相关研究包括利用机器学习方法来构建代理模型的研究，以及使用因果推断和因果抽象来解决因果推断问题的研究。