論文の概要: Quantitatively Assessing the Benefits of Model-driven Development in
Agent-based Modeling and Simulation
- arxiv url: http://arxiv.org/abs/2006.08820v1
- Date: Mon, 15 Jun 2020 23:29:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 04:55:38.090005
- Title: Quantitatively Assessing the Benefits of Model-driven Development in
Agent-based Modeling and Simulation
- Title（参考訳）: エージェントベースモデリングとシミュレーションにおけるモデル駆動開発の効果の定量的評価
- Authors: Fernando Santos, Ingrid Nunes, Ana L. C. Bazzan
- Abstract要約: 本稿では,MDD とABMS プラットフォームの利用状況と開発ミスについて比較する。
その結果、MDD4ABMSはNetLogoと類似した設計品質のシミュレーションを開発するのに、より少ない労力を必要とすることがわかった。
- 参考スコア（独自算出の注目度）: 80.49040344355431
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The agent-based modeling and simulation (ABMS) paradigm has been used to
analyze, reproduce, and predict phenomena related to many application areas.
Although there are many agent-based platforms that support simulation
development, they rely on programming languages that require extensive
programming knowledge. Model-driven development (MDD) has been explored to
facilitate simulation modeling, by means of high-level modeling languages that
provide reusable building blocks that hide computational complexity, and code
generation. However, there is still limited knowledge of how MDD approaches to
ABMS contribute to increasing development productivity and quality. We thus in
this paper present an empirical study that quantitatively compares the use of
MDD and ABMS platforms mainly in terms of effort and developer mistakes. Our
evaluation was performed using MDD4ABMS-an MDD approach with a core and
extensions to two application areas, one of which developed for this study-and
NetLogo, a widely used platform. The obtained results show that MDD4ABMS
requires less effort to develop simulations with similar (sometimes better)
design quality than NetLogo, giving evidence of the benefits that MDD can
provide to ABMS.
- Abstract（参考訳）: エージェントベースのモデリングとシミュレーション(ABMS)パラダイムは、多くのアプリケーション領域に関連する現象を分析し、再現し、予測するために使われてきた。
シミュレーション開発をサポートするエージェントベースのプラットフォームはたくさんあるが、広範なプログラミング知識を必要とするプログラミング言語に依存している。
モデル駆動開発(MDD)は、計算複雑性を隠蔽する再利用可能なビルディングブロックとコード生成を提供する高レベルモデリング言語を用いて、シミュレーションモデリングを容易にするために研究されてきた。
しかし、MDDのABMSへのアプローチが開発生産性と品質の向上にどのように貢献するかについては、まだ知識が限られています。
本稿では,mdd と abms プラットフォームの使用を,主に労力と開発者のミスの観点から定量的に比較した実証研究を行う。
MDD4ABMSをコアと拡張したMDDアプローチを用いて評価を行い,その1つとして広く利用されているNetLogoについて検討した。
以上の結果から,MDD4ABMSはNetLogoと類似した設計品質のシミュレーションを開発するために必要な労力が少なく,ABMSにMDDがもたらすメリットの証拠が得られた。
関連論文リスト
- A Survey on Multimodal Benchmarks: In the Era of Large AI Models [13.299775710527962]
MLLM(Multimodal Large Language Models)は、人工知能に大きな進歩をもたらした。
この調査は、4つのコアドメイン(理解、推論、生成、アプリケーション)にわたるMLLMを評価する211のベンチマークを体系的にレビューする。
論文 参考訳（メタデータ） (2024-09-21T15:22:26Z) - MMEvol: Empowering Multimodal Large Language Models with Evol-Instruct [148.39859547619156]
我々は,新しいマルチモーダル命令データ進化フレームワークであるMMEvolを提案する。
MMEvolは、きめ細かい知覚、認知的推論、相互作用の進化の洗練された組み合わせによって、データ品質を反復的に改善する。
提案手法は,9つのタスクにおいて,最先端モデルに比べて有意に少ない精度でSOTA(State-of-the-art)性能を実現する。
論文 参考訳（メタデータ） (2024-09-09T17:44:00Z) - Text2BIM: Generating Building Models Using a Large Language Model-based Multi-Agent Framework [0.3749861135832073]
Text2 BIMは、自然言語命令から3Dビルディングモデルを生成するマルチエージェントフレームワークである。
エージェントワークフローにルールベースのモデルチェッカーを導入し、LLMエージェントを誘導し、生成されたモデル内の問題を解決する。
このフレームワークは、ユーザ入力によって定義された抽象概念に沿った、高品質で構造的に合理的なビルディングモデルを効果的に生成することができる。
論文 参考訳（メタデータ） (2024-08-15T09:48:45Z) - Mixture-of-Instructions: Comprehensive Alignment of a Large Language Model through the Mixture of Diverse System Prompting Instructions [7.103987978402038]
我々はMixture-of-Instructions (MoI)と呼ばれる新しいテクニックを紹介する。
MoIは、言語モデルのアライメント効率を高めるために、多様なシステムプロンプトと組み合わせた命令結合戦略を採用している。
提案手法はオープンソースQwen-7B-chatモデルに適用され,Qwen-SFT-MoIの開発が完了した。
論文 参考訳（メタデータ） (2024-04-29T03:58:12Z) - Promising and worth-to-try future directions for advancing
state-of-the-art surrogates methods of agent-based models in social and
health computational sciences [0.0]
現実的な大規模AMMのためのモデルベース解析ツールの実行と実行性能は、過度に長い可能性がある。
このアドホックな簡潔なレポートの主目的は、非線形力学モデルに対して適切で計算的に要求の少ないシュロゲートモデルをいくつか強調することである。
論文 参考訳（メタデータ） (2024-03-07T11:30:56Z) - Model Composition for Multimodal Large Language Models [71.5729418523411]
本稿では,既存のMLLMのモデル構成による新しいパラダイムを提案する。
我々の基本的な実装であるNaiveMCは、モダリティエンコーダを再利用し、LLMパラメータをマージすることで、このパラダイムの有効性を実証する。
論文 参考訳（メタデータ） (2024-02-20T06:38:10Z) - MMToM-QA: Multimodal Theory of Mind Question Answering [80.87550820953236]
心の理論 (ToM) は人間レベルの社会知能を持つ機械を開発する上で不可欠な要素である。
最近の機械学習モデル、特に大きな言語モデルは、ToM理解のいくつかの側面を示しているようだ。
一方、ヒューマンToMはビデオやテキストの理解以上のものです。
人は、利用可能なデータから抽出された概念的表現に基づいて、他人の心について柔軟に推論することができる。
論文 参考訳（メタデータ） (2024-01-16T18:59:24Z) - Scaling Vision-Language Models with Sparse Mixture of Experts [128.0882767889029]
提案手法は, 等価計算コストの高密度モデルに対して, 様々なベンチマークにおいて, 最先端性能を実現することができることを示す。
我々の研究は、MoEモデルのトレーニングの安定化、モデル解釈可能性に対するMoEの影響の理解、ビジョン言語モデルをスケールする際の計算性能間のトレードオフのバランスに関する貴重な洞察を提供する。
論文 参考訳（メタデータ） (2023-03-13T16:00:31Z) - DIME: Fine-grained Interpretations of Multimodal Models via Disentangled
Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。
提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文 参考訳（メタデータ） (2022-03-03T20:52:47Z) - Sim-Env: Decoupling OpenAI Gym Environments from Simulation Models [0.0]
強化学習(RL)は、AI研究の最も活発な分野の1つです。
開発方法論はまだ遅れており、RLアプリケーションの開発を促進するための標準APIが不足している。
多目的エージェントベースのモデルと派生した単一目的強化学習環境の分離開発と保守のためのワークフローとツールを提示する。
論文 参考訳（メタデータ） (2021-02-19T09:25:21Z)
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。