Fugu-MT 論文翻訳(概要): Surrogate Assisted Methods for the Parameterisation of Agent-Based Models

論文の概要: Surrogate Assisted Methods for the Parameterisation of Agent-Based Models

arxiv url: http://arxiv.org/abs/2008.11835v1
Date: Wed, 26 Aug 2020 21:47:02 GMT
ステータス: 処理完了
システム内更新日: 2022-10-24 21:01:12.522746
Title: Surrogate Assisted Methods for the Parameterisation of Agent-Based Models
Title（参考訳）: エージェントベースモデルのパラメータ化のための代理支援手法
Authors: Rylan Perumal and Terence L van Zyl
Abstract要約: キャリブレーションは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おいて大きな課題である。本稿では,異なるサンプリング手法と代理モデルの効果的な統合を容易にするABMSフレームワークを提案する。
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: Parameter calibration is a major challenge in agent-based modelling and simulation (ABMS). As the complexity of agent-based models (ABMs) increase, the number of parameters required to be calibrated grows. This leads to the ABMS equivalent of the \say{curse of dimensionality}. We propose an ABMS framework which facilitates the effective integration of different sampling methods and surrogate models (SMs) in order to evaluate how these strategies affect parameter calibration and exploration. We show that surrogate assisted methods perform better than the standard sampling methods. In addition, we show that the XGBoost and Decision Tree SMs are most optimal overall with regards to our analysis.
Abstract（参考訳）: パラメータキャリブレーションはエージェントベースモデリングとシミュレーション(ABMS)において大きな課題である。エージェントベースモデル(abms)の複雑さが増すにつれて、キャリブレーションに必要なパラメータの数は増加する。これにより、 abms は dimensionality の \say{curse} と同値となる。本稿では,これらの手法がパラメータキャリブレーションや探索に与える影響を評価するために,様々なサンプリング法とサロゲートモデル(sms)の効果的な統合を容易にするabmsフレームワークを提案する。サーロゲート支援手法は, 標準サンプリング法よりも優れた性能を示す。さらに, xgboost と decision tree sms は, 解析において, 総合的に最適であることを示した。

関連論文リスト

SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文参考訳（メタデータ） (2024-08-19T17:32:15Z)
Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
論文参考訳（メタデータ） (2024-07-08T12:32:51Z)
Variational Inference of Parameters in Opinion Dynamics Models [9.51311391391997]
この研究は、変数推論を用いて、意見力学 ABM のパラメータを推定する。我々は推論プロセスを自動微分に適した最適化問題に変換する。提案手法は, シミュレーションベース法とMCMC法より, マクロ的(有界信頼区間とバックファイア閾値)と微視的(200ドル, エージェントレベルの役割)の両方を正確に推定する。
論文参考訳（メタデータ） (2024-03-08T14:45:18Z)
Sample-Efficient Multi-Agent RL: An Optimization Perspective [103.35353196535544]
一般関数近似に基づく汎用マルコフゲーム(MG)のためのマルチエージェント強化学習(MARL)について検討した。汎用MGに対するマルチエージェントデカップリング係数(MADC)と呼ばれる新しい複雑性尺度を導入する。我々のアルゴリズムは既存の研究に匹敵するサブリニアな後悔を与えることを示す。
論文参考訳（メタデータ） (2023-10-10T01:39:04Z)
Gradient and Uncertainty Enhanced Sequential Sampling for Global Fit [0.0]
本稿では、GUESS(Gradient and Uncertainty Enhanced Sequential Smpling)と呼ばれる、グローバル適合のための新しいサンプリング戦略を提案する。 GUESSは, 実験例における他のサロゲート型戦略と比較して, 平均的な試料効率で達成された。
論文参考訳（メタデータ） (2023-09-29T19:49:39Z)
A Bayesian Optimization approach for calibrating large-scale activity-based transport models [2.6931502677545947]
複雑なアプリケーションに対処する能力により、輸送におけるエージェントベースおよびアクティビティベースモデリングが増加している。本稿では,改良されたランダムフォレストの形で代理モデルを組み込んだベイズ最適化手法を提案する。提案手法はエストニアのタリン市のケーススタディにおいて, 477の行動パラメータからなるキャリブレーションモデルを用いて検証した。
論文参考訳（メタデータ） (2023-02-07T14:09:41Z)
Support Vector Machine for Determining Euler Angles in an Inertial Navigation System [55.41644538483948]
本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
論文参考訳（メタデータ） (2022-12-07T10:01:11Z)
Model ensemble instead of prompt fusion: a sample-specific knowledge transfer method for few-shot prompt tuning [85.55727213502402]
我々は、ソースタスクのソフトプロンプトから知識を伝達することで、プロンプトチューニングにおける数ショットのパフォーマンスを改善することに集中する。我々はソースモデル(SESoM)のサンプル固有アンサンブルを提案する。 SESoMは、ソースモデルが出力されるときに、ターゲットの各サンプルに対するソースモデルのコントリビューションを個別に調整することを学ぶ。
論文参考訳（メタデータ） (2022-10-23T01:33:16Z)
Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文参考訳（メタデータ） (2022-09-27T07:58:25Z)
Improving Hyperparameter Optimization by Planning Ahead [3.8673630752805432]
本稿では,モデルに基づく強化学習の文脈内で定義された新しい伝達学習手法を提案する。本稿では,シンプルなルックアヘッド戦略をポリシーとして用いたモデル予測制御法を提案する。最新のHPOアルゴリズムと比較した3つのメタデータセット実験により,提案手法が全ベースラインを上回り得ることを示す。
論文参考訳（メタデータ） (2021-10-15T11:46:14Z)
Surrogate Assisted Strategies (The Parameterisation of an Infectious Disease Agent-Based Model) [0.0]
キャリブレーションは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おいて重要な課題である。我々はパラメータ化戦略を効果的に交換し、モデルをサロゲートできる、より包括的で適応的なABMSフレームワークを提案する。 DYCORS XGBoost と MSRS SVM は実世界の日常感染の累積分布を近似できることを示す。
論文参考訳（メタデータ） (2021-08-19T17:27:01Z)

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。