Агентные модели в экономике и социальных науках описывают неоднородное поведение и взаимодействия через симуляции, а их функция правдоподобия часто недоступна для оценки параметров. Работа рассматривает нейросетевой вывод без правдоподобия, в частности оценку апостериорного распределения нормализующими потоками, дающую амортизированный байесовский вывод. Отмечается, что предобученный оценщик может терять точность при смене целевой задачи, и обсуждается адаптация таких оценщиков.
Повышает надёжность калибровки крупномасштабных агентных моделей при изменении условий задачи, что важно для прикладного прогнозирования.
Перевод и краткое изложение — машинные, по материалам источника. Полный текст статьи не републикуется; права на него принадлежат источнику.
