基于归一化流的代理模型贝叶斯推断中的测试时训练实用性
机器学习
2026-01-13 v1 多智能体系统
摘要
代理模型（ABMs）因其强大的灵活性能够描述 individual agents 之间的真实且异构决策和互动规则，在经济学和社会科学中获得了很大的关注。本文首次研究了测试时训练（TTT）深度模型（如归一化流）在 ABM 参数后验估计中的实用性。我们提出了几种实用的 TTT 策略，用于 fine-tuning 归一化流以应对分布迁移。我们的 numerical study 表明，TTT方案非常有效，使基于归一化流的 ABM 参数推断能够实现实时调整。
引用
@article{arxiv.2601.07413,
title = {The Practicality of Normalizing Flow Test-Time Training in Bayesian Inference for Agent-Based Models},
author = {Junyao Zhang and Jinglai Li and Junqi Tang},
journal= {arXiv preprint arXiv:2601.07413},
year = {2026}
}