AI dan Masalah-Masalah Sulit Dunia · Ilmu komputer teoretis · arXiv · 2026-10-22
Reinforcement Learning untuk Kendali Global-Lokal Jaringan Dinamis dengan Aplikasi pada Risiko Sistemik
Judul asli: Reinforcement Learning for Global-Local Control of Dynamic Networks with Applications to Systemic Risk
Para penulis mengusulkan kerangka kerja reinforcement learning untuk masalah kontrol pada jaringan dinamis, di mana keputusan menggabungkan aksi global di tingkat graf dengan aksi lokal di tingkat simpul. Jaringan saraf tiruan message-passing dengan kepala kebijakan global dan lokal yang terpisah menghasilkan kebijakan yang memenuhi simetri permutasi dan kendala transparansi, dan batas Lipschitz yang eksplisit memberikan jaminan konvergensi bagi algoritme projected policy-gradient. Diterapkan pada manajemen risiko sistemik dalam jaringan keuangan, di mana regulator mengalokasikan intervensi modal di seluruh institusi, arsitektur ini mengungguli baseline feedforward standar dan dapat diskalakan ke jaringan besar.