IA e os Problemas Difíceis do Mundo · Ciência da computação teórica · arXiv · 2026-10-22
Aprendizado por Reforço para Controle Global-Local de Redes Dinâmicas com Aplicações ao Risco Sistêmico
Título original: Reinforcement Learning for Global-Local Control of Dynamic Networks with Applications to Systemic Risk
Os autores propõem uma estrutura de aprendizado por reforço para problemas de controle em redes dinâmicas, em que as decisões combinam ações globais em nível de grafo com ações locais em nível de nó. Uma rede neural de passagem de mensagens com cabeças de política globais e locais separadas produz políticas que satisfazem simetrias de permutação e restrições de transparência, e limites de Lipschitz explícitos fornecem garantias de convergência para um algoritmo de gradiente de política projetado. Aplicada à gestão de risco sistêmico em redes financeiras, em que um regulador aloca intervenções de capital entre instituições, a arquitetura supera linhas de base feedforward padrão e escala para redes de grande porte.