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
- 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 [73.70317850267149]
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) - The (R)Evolution of Multimodal Large Language Models: A Survey [48.61135328255951]
MLLM(Multimodal Large Language Models)は、視覚とテキストのモダリティを、入力と出力の両方としてシームレスに統合することができる。
本稿では,近年の視覚的MLLMのレビュー,アーキテクチャ選択,マルチモーダルアライメント戦略,トレーニング手法について述べる。
論文 参考訳(メタデータ) (2024-02-19T19:01:01Z) - A Survey for Foundation Models in Autonomous Driving [11.726604658478152]
大規模言語モデルは、自動運転における計画とシミュレーションに寄与する。
ビジョンファウンデーションモデルは、3Dオブジェクトの検出やトラッキングといった重要なタスクに適応している。
多様な入力を統合するマルチモーダル基礎モデルは、例外的な視覚的理解と空間的推論を示す。
論文 参考訳(メタデータ) (2024-02-02T02:44:59Z) - Large Language Models Empowered Agent-based Modeling and Simulation: A
Survey and Perspectives [35.04018349811483]
大きな言語モデルをエージェントベースのモデリングとシミュレーションに統合することは、シミュレーション能力を向上するための有望な道を示す。
まず,エージェントベースモデリングとシミュレーション,および大規模言語モデル駆動エージェントの背景を紹介する。
最も重要なことは、複数のシナリオにおける大規模言語モデルを利用したエージェントベースのモデリングとシミュレーションの最近の研究の概要を包括的に示すことである。
論文 参考訳(メタデータ) (2023-12-19T09:06:45Z) - Adapting Large Language Models for Content Moderation: Pitfalls in Data
Engineering and Supervised Fine-tuning [79.53130089003986]
大規模言語モデル(LLM)は、様々なドメインでタスクを処理するための実現可能なソリューションとなっている。
本稿では、コンテンツモデレーションのためにプライベートにデプロイ可能なLLMモデルを微調整する方法を紹介する。
論文 参考訳(メタデータ) (2023-10-05T09:09:44Z) - 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) - Facilitating automated conversion of scientific knowledge into
scientific simulation models with the Machine Assisted Generation,
Calibration, and Comparison (MAGCC) Framework [0.0]
Machine Assisted Generation, Comparison, and Computational (MAGCC)フレームワークは、繰り返し発生する重要なステップとプロセスのマシンアシストと自動化を提供する。
MAGCCは、自然言語処理または既存の数学的モデルから抽出された知識抽出のためのシステムを橋渡しする。
MAGCCフレームワークは任意の科学領域をカスタマイズでき、今後は新たに開発されたコード生成AIシステムを統合する予定だ。
論文 参考訳(メタデータ) (2022-04-21T19:30:50Z) - 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。