Variational Inference of Parameters in Opinion Dynamics Models

尽管代理模型（ABMs）在研究社会现象方面被广泛使用，但参数估计仍然是一个挑战，通常依赖于昂贵的基于模拟的启发式算法。本研究使用变分推断来估计观点动态ABM的参数，通过将估计问题转化为可直接解决的优化任务来实现。我们的提议依赖于概率生成ABMs（PGABMs）：我们首先从ABM规则中合成一个概率生成模型。然后，我们将推理过程转化为适合自动微分的优化问题。特别地，我们使用Gumbel-Softmax重新参数化分类代理属性和随机变分推断进行参数估计。此外，我们探讨了使用不同复杂度的变分分布的权衡：正态分布和归一化流。 我们在具有代理角色（领导者和追随者）的有界信心模型上验证了我们的方法。我们的方法比基于模拟和MCMC方法更准确地估计了宏观（有界信心区间和反弹阈值）和微观（200个分类的代理级别角色）。因此，我们的技术使专家能够针对现实世界的观察来调整和验证他们的ABMs，从而通过数据驱动的分析为社会系统中的人类行为提供洞察。

本论文旨在解决基于代理模型的社会现象研究中参数估计的问题，通过变分推断将估计问题转化为可直接求解的优化任务。

本论文的关键思路是使用概率生成代理模型（PGABMs）将估计问题转化为优化问题，并使用适合自动微分的Gumbel-Softmax重参数化和随机变分推断进行参数估计。此外，还探索了使用不同复杂度的变分分布（正态分布和正则化流）的权衡。

本论文在代理模型中应用了概率生成模型，实现了对宏观和微观参数的准确估计，比基于模拟和MCMC方法更准确。实验验证了该方法的有效性，并提供了开源代码。

在该领域的相关研究中，最近的论文包括“Agent-Based Models of Organizations: A Review”和“Variational Inference: A Review for Statisticians”。