Я щойно опублікував свою дослідницьку роботу "Глибоке навчання для вирішення економічних моделей" на своїй веб-сторінці: За один-два тижні він також буде поширений як робочий документ у NBER та CEPR. Тим не менш, я вже хотів повідомити людям, оскільки я цілком задоволений результатом, багато в чому завдяки фантастичним раннім відгукам, які я отримав. Як я часто стверджував, революція в глибокому навчанні, що триває, трансформує те, як ми вирішуємо економічні моделі динамічної рівноваги. За своєю суттю розв'язання моделі зводиться до наближення до невідомих цільових функцій (таких як функція значень агентів, правило прийняття рішення або функція найкращої відповіді). Глибоке навчання часто чудово справляється з цим завданням. У статті я наголошую, що цей успіх не є «магією», а скоріше прямим наслідком здатності глибокого навчання виявляти кращі представлення відповідних змінних моделі (наприклад, змінних стану). Шари нейронної мережі перетворюють вхідні змінні в інформаційно ефективні представлення, які можна легше апроксимувати. Том Сарджент любить говорити, що пошук держави – це мистецтво. Глибоке навчання намагається максимально автоматизувати це мистецтво. Ось чому в багатьох випадках ми тепер можемо розв'язувати задачі високої розмірності, які ще кілька років тому були нездійсненними з обчислювальної точки зору. Крім того, структура глибоких мереж, призначених для вирішення цих моделей, в основному лінійна, якщо не брати до уваги нелінійність, інкапсульовану в функцію активації, дозволяє проводити масове розпаралелювання. Оглядовий документ призначений для початку з нуля. Моя цільова аудиторія – аспірант першого року навчання, який має лише базові знання про методи вирішення проблем, або навіть мотивований старшокурсник. Буду дуже вдячний за зворотній зв'язок. Чи можете ви слідкувати за аргументами у всьому? Чи є кроки, які залишаються незрозумілими? Я викладав курси на основі цього матеріалу в Пенсильванії, Банку Іспанії, Кембриджі, ЄЦБ, Гарварді, Джонсі Хопкінсі, Північно-Західному, Оксфорді, Прінстоні, Каліфорнійському університеті в Санта-Барбарі та Стенфорді, але я завжди шукаю свіжий погляд, щоб запропонувати покращення. Всі слайди з посиланнями на код доступні тут: у розділі «Машинне навчання для економістів». Врешті-решт, я можу використовувати цей оглядовий документ і презентації як ядро для чогось довшого, але спочатку мені потрібно очистити свій стіл від занадто великої кількості поточних проектів.