Saya baru saja memposting makalah survei saya "Pembelajaran Mendalam untuk Memecahkan Model Ekonomi" di halaman web saya: Dalam satu atau dua minggu, juga akan beredar sebagai kertas kerja di NBER dan CEPR. Namun, saya ingin memberi tahu orang-orang, karena saya cukup senang dengan hasilnya, sebagian besar berkat beberapa umpan balik awal yang fantastis yang saya dapatkan. Seperti yang sering saya katakan, revolusi yang sedang berlangsung dalam pembelajaran mendalam mengubah cara kita memecahkan model ekonomi keseimbangan dinamis. Pada intinya, memecahkan model sama dengan memperkirakan fungsi target yang tidak diketahui (seperti fungsi nilai agen, aturan keputusan, atau fungsi respons terbaik). Pembelajaran mendalam sering melakukan pekerjaan yang fantastis dalam tugas itu. Dalam makalah ini, saya menekankan bahwa keberhasilan ini bukanlah "keajaiban", melainkan konsekuensi langsung dari kemampuan pembelajaran mendalam untuk menemukan representasi yang lebih baik dari variabel yang relevan dari suatu model (misalnya, variabel keadaan). Lapisan jaringan saraf mengubah variabel input menjadi representasi yang efisien secara informasi yang dapat lebih mudah diperkirakan. Tom Sargent suka mengatakan bahwa menemukan negara bagian adalah sebuah seni. Pembelajaran mendalam mencoba mengotomatiskan seni itu sebanyak mungkin. Inilah sebabnya, dalam banyak kasus, kita sekarang dapat memecahkan masalah dimensi tinggi yang secara komputasi tidak layak hanya beberapa tahun yang lalu. Selain itu, struktur jaringan dalam yang dirancang untuk memecahkan model-model ini, sebagian besar linier terlepas dari non-linearitas yang dienkapsulasi dalam fungsi aktivasi, memungkinkan paralelisasi besar-besaran. Makalah survei dirancang untuk memulai dari bawah ke atas. Audiens yang saya tuju adalah mahasiswa pascasarjana tahun pertama dengan hanya pengetahuan yang sangat mendasar tentang metode solusi, atau bahkan sarjana senior yang termotivasi. Saya akan sangat menghargai umpan balik. Bisakah Anda mengikuti argumennya? Apakah ada langkah-langkah yang masih belum jelas? Saya telah mengajar kursus berdasarkan materi ini di Penn, Bank of Spain, Cambridge, ECB, Harvard, Johns Hopkins, Northwestern, Oxford, Princeton, UC Santa Barbara, dan Stanford, tetapi saya selalu mencari mata segar untuk menyarankan perbaikan. Semua dek slide, dengan tautan ke kode, tersedia di sini: di bawah "Pembelajaran Mesin untuk Ekonom." Akhirnya, saya mungkin menggunakan makalah survei ini dan dek slide sebagai inti untuk sesuatu yang lebih lama, tetapi pertama-tama, saya perlu membersihkan meja saya dari terlalu banyak proyek yang sedang berlangsung.