論文の概要: Using Machine Learning to Emulate Agent-Based Simulations
- arxiv url: http://arxiv.org/abs/2005.02077v2
- Date: Sat, 24 Jul 2021 16:04:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 14:33:32.879652
- Title: Using Machine Learning to Emulate Agent-Based Simulations
- Title(参考訳): エージェントベースのシミュレーションをエミュレートする機械学習
- Authors: Claudio Angione, Eric Silverman, Elisabeth Yaneske
- Abstract要約: エージェントベースモデル(ABM)解析に用いる統計エミュレータとして,複数の機械学習手法の性能評価を行った。
エージェントベースのモデリングは、モデルに対するより堅牢な感度解析を容易にするため、エミュレーションに機械学習を用いる利点がある。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this proof-of-concept work, we evaluate the performance of multiple
machine-learning methods as statistical emulators for use in the analysis of
agent-based models (ABMs). Analysing ABM outputs can be challenging, as the
relationships between input parameters can be non-linear or even chaotic even
in relatively simple models, and each model run can require significant CPU
time. Statistical emulation, in which a statistical model of the ABM is
constructed to facilitate detailed model analyses, has been proposed as an
alternative to computationally costly Monte Carlo methods. Here we compare
multiple machine-learning methods for ABM emulation in order to determine the
approaches best suited to emulating the complex behaviour of ABMs. Our results
suggest that, in most scenarios, artificial neural networks (ANNs) and
gradient-boosted trees outperform Gaussian process emulators, currently the
most commonly used method for the emulation of complex computational models.
ANNs produced the most accurate model replications in scenarios with high
numbers of model runs, although training times were longer than the other
methods. We propose that agent-based modelling would benefit from using
machine-learning methods for emulation, as this can facilitate more robust
sensitivity analyses for the models while also reducing CPU time consumption
when calibrating and analysing the simulation.
- Abstract(参考訳): 本稿では,エージェントベースモデル (ABM) の解析に用いる統計的エミュレータとして,複数の機械学習手法の性能を評価する。
ABM出力の分析は、比較的単純なモデルでも入力パラメータ間の関係が非線形あるいはカオスであり、各モデルの実行にはCPU時間を要するため、難しい場合がある。
ABMの統計モデルを構築して詳細なモデル解析を容易にする統計的エミュレーションが,計算コストの高いモンテカルロ法に代わるものとして提案されている。
本稿では、ABMエミュレーションのための複数の機械学習手法を比較し、ABMの複雑な動作をエミュレートするのに最適なアプローチを決定する。
以上の結果から, 人工ニューラルネットワーク(ANN)と勾配木は, 複雑な計算モデルのエミュレーションにおいて, ガウス過程エミュレータよりも優れていることが示唆された。
ANNは、トレーニング時間は他の方法よりも長かったが、多数のモデル実行を伴うシナリオで最も正確なモデルレプリケーションを生成した。
エージェントベースのモデリングは、モデルに対するより堅牢な感度解析を容易にするとともに、シミュレーションの校正と解析の際のCPU使用時間を削減できるため、エミュレーションに機械学習を用いる利点がある。
関連論文リスト
- Embed and Emulate: Contrastive representations for simulation-based inference [11.543221890134399]
本稿では,新しいシミュレーションベース推論(SBI)手法であるEmbed and Emulate(E&E)を紹介する。
E&Eはデータと対応する高速エミュレータの低次元潜伏埋め込みを潜伏空間に学習する。
本研究では,現実的なパラメータ推定タスクにおいて,既存の手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2024-09-27T02:37:01Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Learning to Simulate: Generative Metamodeling via Quantile Regression [2.2518304637809714]
我々は「シミュレーターの高速シミュレータ」を構築することを目的とした、生成メタモデリングと呼ばれる新しいメタモデリング概念を提案する。
一度構築すると、生成メタモデルは入力が特定されるとすぐに大量のランダム出力を生成することができる。
本稿では,QRGMM(quantile-regression-based generative metamodeling)という新しいアルゴリズムを提案し,その収束率と収束率について検討する。
論文 参考訳(メタデータ) (2023-11-29T16:46:24Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - Finding the Perfect Fit: Applying Regression Models to ClimateBench v1.0 [0.0]
ClimateBenchは、気候データ用に設計された機械学習エミュレータのパフォーマンスを評価するためのベンチマークデータセットである。
本研究は、上記のデータセットを用いて非線形回帰モデルを評価することに焦点を当てる。
論文 参考訳(メタデータ) (2023-08-23T01:08:01Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z) - Learning Accurate Business Process Simulation Models from Event Logs via
Automated Process Discovery and Deep Learning [0.8164433158925593]
データ駆動シミュレーション(DDS)メソッドは、イベントログからプロセスシミュレーションモデルを学ぶ。
ディープラーニング(DL)モデルは、このような時間的ダイナミクスを正確に捉えることができる。
本稿では,イベントログからプロセスシミュレーションモデルを学ぶためのハイブリッド手法を提案する。
論文 参考訳(メタデータ) (2021-03-22T15:34:57Z) - Model-based Policy Optimization with Unsupervised Model Adaptation [37.09948645461043]
本研究では,不正確なモデル推定による実データとシミュレーションデータのギャップを埋めて,より良いポリシ最適化を実現する方法について検討する。
本稿では,教師なしモデル適応を導入したモデルベース強化学習フレームワークAMPOを提案する。
提案手法は,一連の連続制御ベンチマークタスクにおけるサンプル効率の観点から,最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-10-19T14:19:42Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。