Глубокое обучение как проекционный метод решения экономических моделей

© 2026 Kenneth L. Judd, Karl Schmedders
NBER Working Paper 35806
https://www.nber.org/papers/w35806

Перевод аннотации:
Глубокое обучение все чаще представляют в экономической науке как новую парадигму решения динамических моделей, приходящую на смену классическим проекционным методам вычислительной экономики. Мы утверждаем, что это противопоставление основано на ошибочной классификации. Нейросетевые методы решения, на которых сосредоточена эта литература, представляют собой проекционные методы наименьших квадратов с адаптивной нелинейной параметризацией. Включение глубокого обучения в семейство проекционных методов меняет исследовательскую повестку. Речь идет не о конкуренции парадигм, а о едином наборе инструментов с различными методами аппроксимации, критериями невязок и схемами оценки, которые следует выбирать по их пригодности для конкретной модели. При низкой и умеренной размерности методы с линейным базисом и разреженными сетками часто точнее, быстрее и проще для проверки, чем обученная нейронная сеть. При высокой размерности подходящий выбор пространства допустимых функций во многих случаях позволяет избежать проклятия размерности.