edit: The proof in this lecture is more elegant and beautiful using K-L and J-S divergences. This lecture also explains the change of variables for the integrals as a standard result from the measure-theoretic probability theory. https://youtu.be/pPlnx9D8WZQ?si=RFOb8VjHX6jsnSl1
กระบวนการเรียนรู้ (training) จะดำเนินต่อไปจนกระทั่งโครงข่าย Generator สามารถสร้างชุดข้อมูลเสมือนจริงขึ้นมาตามการแจกแจงความน่าจะเป็นของข้อมูลจริง ซึ่งแบบจำลองรู้สร้างประเภทต่าง ๆ ก่อนหน้า จะไม่สามารถฝึกฝน และประยุกต์ใช้งานได้ หากไม่มีลักษณะการกระจายหรือความหนาแน่นของความน่าจะเป็น (density of probability) แต่ถ้าเป็นแบบจำลอง GANs ซึ่งเป็น probabilistic generative model ประเภทหนึ่ง จะยังคงสามารถใช้ทำงานได้ แม้จะไม่มีข้อมูลเกี่ยวกับความน่าจะเป็นของข้อมูล (Pan Z. et al., 2019) อันสืบเนื่องจาก GANs มีกลไกการเรียนรู้แบบปฏิปักษ์ (adversarial training mechanism) ที่ชาญฉลาด
แบบจำลอง GANs สามารถอธิบายด้วยทฤษฎีเกม คือ โครงข่าย Generator และ โครงข่าย Discriminator จะแข่งขันกันในลักษณะเป็น zero-sum game จนกระทั่งบรรลุถึงจุดดุลยภาพแบบ Nash หรือ Nash equilibrium ภายในกระบวนการฝึกฝน (training) (Creswell A. et al., 2018; Alqahtani H. et al., 2021; and Gui J. et al., 2021) ผลลัพธ์สุดท้ายที่ได้จากระบบการเรียนรู้ของ GANs สามารถอธิบายด้วยทฤษฎีเกมแบบ min-max (Mohebbi Moghaddam M., 2023)
ดังที่กล่าวไว้แล้วว่า GANs อาศัยหลักการที่มีระบบ artificial intelligent (AI) สองระบบได้รับการฝึกฝน (train) ให้เรียนรู้ที่จะทำการแข่งขันกัน โดย GANS มีโครงข่าย AI ระบบแรกเป็น neural network เรียกว่า Generator (G) ทำหน้าที่หลอกลวงหรือหลบหลีกระบบที่สอง โดยการสร้างข้อมูลปลอมขึ้นมาที่เราเรียกว่า fake sample มีปัจจัยนำเข้า (input) คือ random noise vector Z ซึ่งมักสมมติการกระจายแบบ uniform หรือ normal โดย noise Z จะถูก map ไปยัง data space ใหม่ ด้วยการกระตุ้นจากสิ่งแปลกปลอมที่เพิ่มเข้าในระบบการเรียนรู้เพียงเล็กน้อย บวกเข้ากับสิ่งที่เป็นผลลัพธ์จากความผิดพลาดในเรียนรู้ เพื่อหลบหลีกการจับผิดของ Discriminator D ในช่วงเวลาก่อนหน้า เพื่อให้ข้อมูลได้เกิดการเรียนรู้ในการปรับตัว (adaptive) สำหรับรอบถัดไป จนกระทั่งสามารถฝึกฝน Generator G ให้สร้าง fake sample G(Z) ที่เป็น multi-dimensional vector มีลักษณะเหมือนข้อมูลจริงมากที่สุด
จากนั้นโครงข่าย AI ระบบที่สองเป็น neural network เรียกว่า Discriminator D ทำหน้าที่เป็น binary classifier โดยใช้ทั้งข้อมูลจริง X และ fake sample ที่สร้างจาก Generator G เพื่อเป็น input สำหรับ Discriminator D ในการสร้าง output คือ ความน่าจะเป็นว่า ข้อมูลนั้นเป็นจริงหรือปลอม
ตามภาพที่ 1 กระบวนการจำแนก (classification) โดย D จะทำการจำแนกข้อมูลว่า เป็นข้อมูลจริง x หรือข้อมูลปลอม G(Z) ในขณะที่ Generator G จะสร้างข้อมูลที่มีประสิทธิภาพดีกว่าเดิม จนกระทั่ง Discriminator D ไม่สามารถแยกออกระหว่างเป็นข้อมูลจริง X และข้อมูลปลอม G(Z)
ภาพที่ 1. โครงสร้างสถาปัตยกรรมของโครงข่าย Generative Adversarial Networks แสดงให้เห็นการสร้างข้อมูลปลอม G(Z) ขึ้นมาจาก latent variable Z โดย Generator G และการคัดแยกข้อมูลระหว่างข้อมูลจริงและข้อมูลปลอมโดย Discriminator D
ที่มา: Pan et al. (2019)
ดังนั้น GANs จึงมีประโยชน์จากการไม่ต้องกำหนด probability distribution function, สามารถขยายไปใช้กับ high-dimensional data, และ เป็นกระบวนการเรียนรู้แบบ Adaptive Learning คือ deep-learning neural networks สามารถเข้าใจ data distribution ผ่านการ training ทำให้สามารถ “รู้สร้าง” ได้อย่างสมจริงมากขึ้น
คณะเศรษฐศาสตร์ มหาวิทยาลัยธรรมศาสตร์ ร่วมกับ School of Public Health มหาวิทยาลัยแห่งชาติสิงคโปร์ จัดเวทีประชุมวิชาการนานาชาติภายใต้หัวข้อ “The Successes of Strategic Purchasing for UHC in Thailand” เมื่อเช้าวันที่ 1 มิถุนายน 2566 ณ คณะเศรษฐศาสตร์ มหาวิทยาลัยธรรมศาสตร์ ท่าพระจันทร์ และ ถ่ายทอดสดผ่าน Facebook และ YouTube EconTU Official โดยมีนักวิชาการ ผู้บริหารและผู้กำหนดนโยบายระบบสาธารณสุข ตลอดจนผู้สนใจในระดับภูมิภาคอาเซียนเข้าร่วมรับชมรับฟังประมาณ 100 ท่าน
9:00 – 9:05 AM: Welcome and event opening speech (Dr Supachai Srisuchart – Dean, Faculty of Economics, Thammasat University)
9:05 – 9:15 AM: Background on the “Strategic Health Purchasing in ASEAN” project (Dr Jeremy Lim – Saw Swee Hock School of Public Health, National University of Singapore)
9:15 – 9:25 AM: Overview of the health financing schemes in Thailand (Dr Theepakorn Jithitikulchai – Faculty of Economics, Thammasat University)
9:25 – 10:30 AM: Panel dialogue (Moderator: Dr Khor Swee Kheng – Saw Swee Hock School of Public Health, National University of Singapore)
Speakers:
Dr Lalitaya Kongkam – Deputy Secretary-General, National Health Security Office
Dr Piya Hanvoravongchai – Program Director, Equity Initiative
Saree Aongsomwang – Secretary-General, Thailand Consumers Council
Dr Supasit Pannarunothai – Chair, Centre for Health Equity Monitoring Foundation
Kanitsak Chantrapipat – Director, Primary Care Service Support and Health Promotion and Disease Prevention Division, National Health Security Office
งานวิจัยจากทั่วโลกสรุปโดยนักเศรษฐศาสตร์รางวัลโนเบล แสดงให้เห็นว่า ไม่พบหลักฐานที่เป็นระบบใด ๆ ว่า โครงการโอนเงินสวัสดิการของรัฐ จะลดแรงจูงใจของผู้รับที่จะหางานทำ ดังนั้น จึงเป็นมายาคติที่เข้าใจผิดว่า ผู้รับสวัสดิการจะขี้เกียจ (Banerjee et al. 2017. Debunking the Stereotype of the Lazy Welfare Recipient: Evidence from Cash Transfer Programs Worldwide)
Jithitikulchai T. 2023. “Cost Variations in Outpatient and Inpatient Services among Three Health Insurance Schemes in Thai Public Hospitals” (in Thai), Journal of Health Systems Research, 17(4):684-698.
Jithitikulchai T. 2022. “Improving Allocative Efficiency from Network Consolidation: A Solution for the Health Workforce Shortage”, Human Resources for Health, 20(1), p.59.
Jithitikulchai T. 2022. “Inequity by the Universal Coverage Cube: Findings from the 2020 Household SocioEconomic Survey” (in Thai), Journal of Health Systems Research, 16(1):5-15.
Jithitikulchai T. 2020. “Area-based Network Allocations: A Solution to Mitigate the Shortage of Health Workforce” (in Thai), Journal of Health Systems Research, 14(3):243-73.
This study examines the tax burden or household expenditures for personal income tax and value-added tax, classified by economic status. It considers the distribution of the tax burden as the proportion of tax to household income and consumption expenditures. The analysis is based on data from the Household Economic and Social Survey for 2013 and 2021.
The results show a pattern of tax burden distribution consistent with previous research: personal income tax has a progressive structure, resulting in an increasing tax burden for households with higher incomes. In contrast, value-added tax has a regressive tax structure when measured as a proportion of income, with poorer households having a higher proportion of tax on income than wealthier households. On the other hand, value-added tax has a progressive tax structure when measured as a proportion of household expenditures.
Sangtaweewan, Preechaya, Thapcharoen, Porntita, and Jithitikulchai, Theepakorn. 2024. Distribution of Personal Income Tax and Household Value Added Tax Burden of Thai Households by Wealth Cohort in 2013 and 2021 (in Thai). Faculty of Economics, Thammasat University, Discussion Paper No.87
I am delighted to announce, as the secretary of the Subcommittee on Elderly Pensions, aligned with the Committee on Social Welfare, that our report was successfully presented to and passed by Parliament this afternoon.
The report urges the government to raise pensions for seniors using state revenue sources, a recommendation supported by numerous economists and international organizations. However, the critical challenge lies in securing the political will to enact the necessary budgetary and tax reforms, which involve developing a fairer and more inclusive economy.
I express my sincere gratitude to everyone who contributed across different government organizations and political parties. In particular, I would like to acknowledge Dr. Duangmanee Laowakul and Mr. Wanat Banthitasopon for their leadership and support in many works, including participating in nine official meetings with various state agencies.
I am delighted to announce, as the secretary of the Subcommittee on Elderly Pensions, aligned with the Committee on Social Welfare, that our report was successfully presented to and passed by Parliament on March 29, 2024.
The report urges the government to raise pensions for seniors using state revenue sources, a recommendation supported by numerous economists and international organizations. However, the critical challenge lies in securing the political will to enact the necessary budgetary and tax reforms, which involve developing a fairer and more inclusive economy.
I express my sincere gratitude to everyone who contributed across different government organizations and political parties. In particular, I would like to acknowledge Dr. Duangmanee Laowakul and Mr. Wanat Banthitasopon for their leadership and support in many works, including participating in nine official meetings with various state agencies.
และ ค่าที่พยากรณ์ได้ คือ 
ในรูปของ Mean Absolute Error (MAE) เป็นต้น 
Theepakorn Jithitikulchai 