Właśnie opublikowałem swoją pracę przeglądową „Głębokie uczenie w rozwiązywaniu modeli ekonomicznych” na mojej stronie internetowej: Za jeden lub dwa tygodnie będzie ona również krążyć jako praca robocza w NBER i CEPR. Mimo to chciałem już teraz poinformować ludzi, ponieważ jestem dość zadowolony z wyniku, w dużej mierze dzięki fantastycznym wczesnym opiniom, które otrzymałem. Jak często argumentowałem, trwająca rewolucja w głębokim uczeniu przekształca sposób, w jaki rozwiązujemy dynamiczne modele równowagi ekonomicznej. W swojej istocie, rozwiązanie modelu polega na przybliżeniu nieznanych funkcji docelowych (takich jak funkcja wartości agentów, reguła decyzyjna lub funkcja najlepszego odpowiedzi). Głębokie uczenie często doskonale radzi sobie z tym zadaniem. W artykule podkreślam, że ten sukces nie jest „magia”, lecz bezpośrednim skutkiem zdolności głębokiego uczenia do odkrywania lepszych reprezentacji istotnych zmiennych modelu (na przykład zmiennych stanu). Warstwy sieci neuronowej przekształcają zmienne wejściowe w informacyjnie efektywne reprezentacje, które można łatwiej przybliżyć. Tom Sargent lubi mówić, że znalezienie stanu to sztuka. Głębokie uczenie stara się zautomatyzować tę sztukę tak bardzo, jak to możliwe. Dlatego w wielu przypadkach możemy teraz rozwiązywać problemy o wysokiej wymiarowości, które jeszcze kilka lat temu były obliczeniowo nieosiągalne. Ponadto struktura głębokich sieci zaprojektowanych do rozwiązywania tych modeli, w dużej mierze liniowa, z wyjątkiem nieliniowości zawartej w funkcji aktywacji, pozwala na masową równoległość. Praca przeglądowa jest zaprojektowana tak, aby zaczynać od podstaw. Moim zamierzonym odbiorcą jest student pierwszego roku studiów magisterskich z jedynie bardzo podstawową wiedzą na temat metod rozwiązywania, lub nawet zmotywowany student ostatniego roku studiów licencjackich. Bardzo bym docenił opinie. Czy możesz śledzić argumenty przez cały tekst? Czy są kroki, które pozostają niejasne? Uczyłem kursów opartych na tym materiale na Penn, w Banku Hiszpanii, w Cambridge, w ECB, na Harvardzie, w Johns Hopkins, Northwestern, Oksfordzie, Princeton, UC Santa Barbara i Stanfordzie, ale zawsze szukam świeżych oczu, które zasugerują poprawki. Wszystkie prezentacje, z linkami do kodu, są dostępne tutaj: pod „Uczenie maszynowe dla ekonomistów.” Ostatecznie mogę wykorzystać tę pracę przeglądową i prezentacje jako rdzeń czegoś dłuższego, ale najpierw muszę oczyścić swoje biurko z zbyt wielu trwających projektów.