अन्वेषणात्मक हाइब्रिड एआई वर्कफ़्लो ब्राज़ीलियाई संघीय बजटीय आवंटन के लिए

संक्षेप इस अध्ययन में यह आकलित किया गया है कि क्या एक हाइब्रिड भविष्यवाणी-ऑप्टिमाइजेशन वर्कफ़्लो का उपयोग गंभीर डेटा प्रतिबंधों के तहत ब्राज़ीलियाई संघीय बजटीय आवंटन के लिए एक अन्वेषणात्मक व्यायाम के रूप में किया जा सकता है। बजटीय कार्य (2000-2023; N = 24) द्वारा लागू खर्च का उपयोग करते हुए, एक बहु-आउटपुट XGBoost मॉडल का अनुमान लगाया गया है ताकि खर्च की प्रोफाइल को जीडीपी विकास, मुद्रास्फीति, और जिनी सूचकांक से जोड़ा जा सके; इसके बाद बेयesian ऑप्टिमाइजेशन (ट्री-स्ट्रक्चर्ड पार्ज़न एस्टिमेटर/ओप्टुना) का उपयोग किया जाता है, ताकि स्पष्ट सीमाओं और दंडों के भीतर आवंटन वेक्टर खोजे जा सकें जो उच्च विकास और निचली मुद्रास्फीति और असमानता को प्राथमिकता देते हुए घोषित उद्देश्य फ़ंक्शन को अधिकतम करते हैं। डेटा की कमी को दूर करने के लिए, छोटे श्रृंखला को नियंत्रित शोर इंजेक्शन, बूटस्ट्रैप रिसैंपलिंग और वैरिएशनल ऑटोencoder पुनर्निर्माण के माध्यम से उत्पन्न 1048 सिंथेटिक अवलोकनों से बढ़ाया गया है। बढ़े हुए डेटासेट पर यादृच्छिक K-फोल्ड क्रॉस-वैलिडेशन के तहत, मॉडल ने औसत R² = 0.97 और औसत MSE = 0.04 प्राप्त किया, जबकि निदान अधिकतम मानों पर बड़ी गलतियों और लगातार प्रशिक्षण-मान्यता अंतर को इंगित करता है। एक द्वितीयक मजबूतता जांच ने 24 वास्तविक अवलोकनों पर क्रॉस-वैलिडेशन लागू करके और प्रत्येक प्रशिक्षण फोल्ड के भीतर केवल सिंथेटिक डेटा उत्पन्न करके एंटी-लीकेज डिजाइन का उपयोग किया। इससे जीडीपी विकास और मुद्रास्फीति के लिए काफी कमजोर सामान्यीकरण प्राप्त हुआ (कुल औसत MSE = 1.03; कुल औसत R² = -0.45), जबकि जिनी इंडेक्स के लिए सकारात्मक प्रदर्शन केवल बना रहता है (R² = 0.60)। इन शर्तों के तहत, ऑप्टिमाइजेशन चरण ने मानकीकरण किए गए आउटपुट (जीडीपी विकास = 1.15; मुद्रास्फीति = -0.04; जिनी = -0.17) पर उद्देश्य फ़ंक्शन को संतुष्ट करने वाला एक परिदृश्य पहचान लिया। परिणाम इस कार्यप्रवाह के उपयोग का समर्थन करते हैं ताकि यह स्पष्ट धारणाओं के तहत परिदृश्यों की तुलना करने के लिए हो, बजटीय मार्गदर्शन प्रदान करने के बजाय।