Концепция адаптированной среды агентного моделирования

Пожалуйста, сначала прочитайте мой пост Введение в терминал Накамото, в котором я описываю нашу платформу агрегации и аналитики криптофинансовых данных. Как упоминалось в этом посте, Yupana — это один из проектов, основанных на NTerminal и расширяющих его.

Этот пост служит концептуальной основой для объяснения проекта Yupana. Следите за будущими сообщениями, чтобы лучше понять, как мы тестируем определенные методологии, или узнать больше об архитектурных особенностях проекта.

Концепция

Сложные системы, такие как биологические экосистемы или человеческий мозг, трудно представить и правильно понять с помощью современных инструментов. Существующие методы обработки эффективны для таких задач, как обработка естественного языка (Cambria & White, 2014), обнаружение аномалий (Lane, Terran, & Brodley, 1997) или распознавание/категоризация (Bishop, 2006); эти методы, однако, должны применяться для конкретных целей и требуют фундаментального понимания параметров и желаемых результатов.

С другой стороны, методы микромасштабного моделирования, такие как моделирование на основе агентов (ABM), способны представлять системы взаимосвязанных объектов для объяснения возникающих принципов (Bonabeau, 2002), но требуют детального определения реляционных свойств. Юпана пытается объединить эти принципы в единую и модульную структуру; за счет адаптации метода моделирования, такого как ABM, с расширяемыми типами процессоров, мы предполагаем, что можно достичь более динамичного корреляционного анализа и прогнозного моделирования для сложных систем.

Понимание сложных систем

Наш разум не взаимодействует напрямую с физическим миром. Вместо этого мы создаем внутренние представления, используя данные из мира, чтобы построить осмысленную и функциональную модель. Мы опираемся на изученные шаблоны из, казалось бы, случайных входных данных, чтобы определить атрибуты и свойства, которые образуют отдельные части, в которых мы можем создать реляционное представление. Благодаря интеграции этих абстрактных объектов и правил мы можем расшифровать многие уровни сложности в одной и той же системе; это внутреннее представление постоянно обновляется за счет интеграции информации от различных сенсорных входов.

Чтобы правильно представлять мир и взаимодействовать с ним, мы должны понимать как его компоненты, так и их взаимодействие. Чтобы достичь этого, наш мозг работает, чтобы балансировать между упрощением шумового ввода в упорядоченную конфигурацию и захватом как можно большего количества информации об окружающей среде.

Сложные системы трудно понять из-за их природы; нелинейность, возникающие свойства, принципы самоорганизации, агонистические или антагонистические эффекты, а также механизмы прямой или обратной связи затрудняют разделение управляющих правил и основополагающих свойств. Мы часто зависим от внешних инструментов, помогающих нам увидеть закономерности, которые иначе не бросаются в глаза. Эти инструменты могут помочь нам лучше понять узкие отношения, агрегировать и фильтровать большие наборы данных, выполнять простую аналитику и упрощать сложные сети и процессы. Экспортируя эти функции, мы можем лучше понять свойства сложных систем.

Моделирование и симуляции

Агентные модели эффективны для моделирования распределенных систем автономных субъектов на нескольких уровнях абстракции (Борщев, Андрей и Филиппов, 2004). Однако, чтобы правильно построить ABM, нужно иметь четкое представление о представляемой системе с самого начала и иметь четкую цель выйти из модели. Фиксированные отношения, правила и конечные цели определяют способность сложных моделей отображать адаптивные и хаотические системы. Существует несколько методов обобщения ABM, чтобы сделать их более адаптивными к сложным системам; некоторые из них включают объединение принципов сложных сетевых моделей (Курве, Котоби и Кесидис, 2013; Ниази, 2011; Ниази, 2012, Курве, Адитья и др., 2015), сочетание АВМ с многоагентной системой (MAS) (Dignum, et al., 2016; Chliaoutakis & Chliaoutakis, 2016) или с использованием более сложных сред (Ch'ng, E., 2012; Simon, 1996; Niazi, et al., 2009).

Машинное и глубокое обучение

Вычислительный эвристический интеллект значительно развился в последние годы, уделяя особое внимание машинному и глубокому обучению. Машинное обучение было усовершенствовано для высоконастроенного обнаружения закономерностей благодаря усовершенствованиям в генеративных моделях (Bishop, 2006; Hao, et al., 2006). Тем не менее, обобщения в этих методах трудно достичь из-за строго определенных требований к набору данных.

Глубокое обучение расширило эти сильные стороны за счет классификации признаков, что позволяет проводить контекстуальную обработку и более глубокое распознавание возникающих принципов. Тем не менее, проблема остается в том, что сценарии использования становятся центром архитектурного проектирования для этих алгоритмов.

Исследователи начали использовать комбинации различных алгоритмов машинного обучения и глубокого обучения для решения более крупных задач, что привело к дополнительному прогрессу в этой области. Создание синергетических и альтруистических эвристических архитектур продвинуло проблему обобщаемости за счет оптимизации множества задач для достижения одной цели (Ши и др., 2005, и т. д.). Очевидно, что существуют методы для получения мощных вычислительных результатов, и одним из возможных направлений для этой области является начало интеграции этих инструментов в синергетические системы.

Юпана

Сложные системы и лежащие в их основе механизмы в принципе неочевидны и требуют внешнего моделирования и аналитики. Типичные эвристические решения требуют узконаправленных обучающих наборов и, как правило, не могут обеспечить адекватную гибкую работу; Точно так же простые методы моделирования требуют жестких правил и затрудняют интеграцию обновлений в реальном времени. Наша концепция пытается использовать различные модули обработки и получать обновления данных из реального мира, формируя гибкую структуру моделирования на основе агентов.

Yupana стремится направить мощь машинного обучения и ABM на картирование экосистемы данных, не полагаясь напрямую на соображения конечной цели. Вместо этого этот проект стремится представить потребляемые данные как функцию единиц с фиксированными рецептивными полями, сопоставленными с потоками данных, чтобы представить реляционные атрибуты между производителями контента.

Важным фактором Yupana является непрерывный характер ввода данных модели. Единицы в модели будут представлять живые потоки данных, которые ожидают регулярных обновлений. Первоначально Yupana начнет с полурандомизированного состояния отношений между структурами модели. Обучение будет состоять из интеграции исторических записей в структуры на основе агентов для обучения процессоров и распознавания моделей взаимодействия агентов. Это напрямую приведет к развертыванию Yupana, продолжая последовательность входных данных с непрерывными и регулярными обновлениями из реальной среды.

Заявка на криптофинанс

С публикацией официального документа Сатоши Накамото «Биткойн: одноранговая электронная денежная система» (2008 г.) с использованием системы доказательства работы Адама Бэка и последующим выпуском программного обеспечения Биткойн с открытым исходным кодом в 2009 г. была открыта технология распределенного реестра. Биткойн проложил путь к созданию новых криптографических систем по желанию путем разветвления или разработки новой системы (Poelstra, 2014). Теперь эти системы размножаются быстрее, чем за ними успевают угнаться.

Некоторые проекты интересны с академической точки зрения или в промышленности, поскольку представляют определенные функции, но многие из них не имеют большого значения или являются откровенным мошенничеством. Некоторые из этих цифровых активов предназначены для использования в качестве валюты, некоторые — в качестве средств сбережения, другие функционируют скорее как ценные бумаги. Эти проекты, а также их ценность, удобство использования и безопасность быстро меняются в ответ на решения регулирующих органов, разработчиков, горнодобывающих компаний или сообщества. Эти факторы в сочетании с общей новизной и сложностью сетей делают криптофинансовые экосистемы склонными к неправильному пониманию; регулирующие органы, инвесторы и финансовые учреждения нуждаются в помощи, чтобы правильно взаимодействовать с этим новым классом активов.

Учитывая огромное количество доступных данных, созданных криптовалютными проектами и связанных с ними, практически невозможно вручную отслеживать экосистему в целом. Платформы сбора и аналитики данных, такие как терминал Накамото (NTerminal.com), предоставляют отфильтрованные и контекстуализированные потоки данных, которые позволяют осуществлять пользовательский поиск и информативные возможности отслеживания из разнородных источников. К этим источникам относятся участники рынка, специалисты по безопасности, регулирующие органы, аудит исходного кода, майнинговые пулы, а также традиционные и социальные сети. Yupana дополнит такие платформы, используя эти разнообразные потоки данных для создания адаптированной модели на основе агентов.

Николас Ганс и Закари Финци, Inca Digital

Источники

(Вы также можете найти нашу презентацию на мероприятии Splunk .conf19 здесь)

  • Адитья Курве; Хашаяр Котоби; Джордж Кесидис (2013). «Агентная среда для моделирования производительности оптимистического параллельного симулятора дискретных событий». Моделирование сложных адаптивных систем. 1: 12. doi: 10.1186/2194–3206–1–12.
  • Ниази, Муаз А.К. (2011–06–30). «На пути к новой унифицированной структуре для разработки формальных, сетевых и проверенных агентных имитационных моделей сложных адаптивных систем». hdl: 1893/3365. (кандидатская диссертация)
  • Ниязи, М.А. и Хуссейн, А. (2012), Когнитивные агентные вычисления-I: унифицированная структура для моделирования сложных адаптивных систем с использованием агентных и сложных сетевых методов Когнитивные агентные вычисления
  • Курве, Адитья и др. «Оптимизация формирования кластеров в сетях суперпиров с помощью локального дизайна стимулов». Одноранговые сети и приложения 8.1 (2015): 1–21.
  • Чинг, Э. (2012) Макро- и микросреда для разнообразия поведения в моделировании искусственной жизни, Сессия искусственной жизни, 20–24 ноября 2012 г., Кобе, Япония.
  • Саймон, Герберт А. Науки об искусственном. Массачусетский технологический институт, 1996.
  • Ниази, Муаз; Хуссейн, Амир (март 2009 г.). «Агентные инструменты для моделирования и симуляции самоорганизации в одноранговых, одноранговых и других сложных сетях» (PDF) . Коммуникационный журнал IEEE.
  • Дигнум, Вирджиния, Найджел Гилберт и Майкл П. Веллман. «Введение в специальный выпуск об автономных агентах для агентного моделирования». Автономные агенты и многоагентные системы 30.6 (2016): 1021–1022.
  • Члиоутакис, Ангелос и Георгиос Халкиадакис. «Агентное моделирование древних обществ и их организационной структуры». Автономные агенты и многоагентные системы 30.6 (2016): 1072–1116.
  • Ламперти, Франческо, Андреа Ровентини и Амир Сани. «Калибровка модели на основе агентов с использованием суррогатов машинного обучения». Журнал экономической динамики и управления 90 (2018): 366–389.
  • Бонабо, Эрик. «Агентное моделирование: методы и приемы моделирования человеческих систем». Труды Национальной академии наук 99. приложение 3 (2002): 7280–7287.
  • Камбрия, Эрик и Бебо Уайт. «Прыгающие кривые НЛП: обзор исследований обработки естественного языка». Журнал IEEE Computational Intelligence 9.2 (2014): 48–57.
  • Лейн, Терран и Карла Э. Бродли. «Применение машинного обучения для обнаружения аномалий». Материалы 20-й Национальной конференции по безопасности информационных систем. Том. 377. Балтимор, США, 1997 г.
  • Борщев, Андрей и Алексей Филипповы. «От системной динамики и дискретного события к практическому агентному моделированию: причины, методы, инструменты». Материалы 22-й международной конференции общества системной динамики. Том. 22. Оксфорд: Общество системной динамики, 2004 г.
  • Хао Чжан, А. К. Берг, М. Мэр и Дж. Малик. «SVM-KNN: дискриминационная классификация ближайших соседей для визуального распознавания категорий» (2006 г.).
  • Ши, Дж., Мюррей-Смит, Р. и Титтерингтон, Д. «Смеси иерархических гауссовских процессов для регрессии» (2005).
  • Бишоп, Кристофер. «Распознавание образов и машинное обучение» (2006).
  • Накамото, Сатоши. «Биткойн: одноранговая электронная денежная система». (2008).
  • Поэльстра, Эндрю. «Трактат об альткойнах». (2014).