基于智能体模型中隐状态估计的数据同化与基于似然推断的比较
机器学习
2026-04-30 v3 计算机与社会
物理与社会
统计方法学
摘要
在本文中，我们首次在基于智能体模型（ABM）的语境下对数据同化（DA）和基于似然的推断（LBI）进行了系统性比较。这些模型生成由演化中的、部分隐性的微观状态驱动的可观测时间序列。隐状态必须被估计以使模拟与真实世界数据对齐，这一任务传统上由 DA 解决，特别是在天气预测中使用的连续和基于方程的模型中。然而，ABM 的特性对标准 DA 方法构成了挑战。解决此类问题需要调整先前的 DA 技术或使用 LBI 等特定替代方案。DA 以模型无关的方式近似似然，因此适用范围广泛但可能不够精确。相比之下，LBI 通过直接利用模型的似然提供了更精确的状态估计，但代价是需要手工构建的、模型特定的似然函数，这可能复杂或难以推导。我们在有界置信模型——一个著名的意见动力学 ABM——上比较了这两种方法，其中智能体仅受持有足够相似意见的其他智能体的影响。我们发现 LBI 更好地恢复了隐式智能体层面的意见，即使在模型误设的情况下也能实现对个体层面的改进预测。然而，在聚合层面，两种方法表现相当，并且在某些参数设置下 DA 在各聚合层级上仍具有竞争力。我们的结果表明 DA 适合聚合预测，而 LBI 更适合智能体层面的推断。
引用
@article{arxiv.2509.17625,
title = {Comparing Data Assimilation and Likelihood-Based Inference on Latent State Estimation in Agent-Based Models},
author = {Blas Kolic and Corrado Monti and Gianmarco De Francisci Morales and Marco Pangallo},
journal= {arXiv preprint arXiv:2509.17625},
year = {2026}
}