論文の概要: Optimization of High-dimensional Simulation Models Using Synthetic Data
- arxiv url: http://arxiv.org/abs/2009.02781v1
- Date: Sun, 6 Sep 2020 17:21:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 11:19:25.274486
- Title: Optimization of High-dimensional Simulation Models Using Synthetic Data
- Title（参考訳）: 合成データを用いた高次元シミュレーションモデルの最適化
- Authors: Thomas Bartz-Beielstein, Eva Bartz, Frederik Rehbach, Olaf Mersmann
- Abstract要約: 本稿では,シミュレーションパラメータに対する可算区間の仕様のみを必要とするBuBシミュレータを提案する。
詳細な統計分析を行うことができ、最も重要なモデルパラメータについて深い洞察を得ることができる。
この研究は、新型コロナウイルスのパンデミックによって引き起こされる困難について明確に取り上げている。
- 参考スコア（独自算出の注目度）: 0.1529342790344802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulation models are valuable tools for resource usage estimation and
capacity planning. In many situations, reliable data is not available. We
introduce the BuB simulator, which requires only the specification of plausible
intervals for the simulation parameters. By performing a surrogate-model based
optimization, improved simulation model parameters can be determined.
Furthermore, a detailed statistical analysis can be performed, which allows
deep insights into the most important model parameters and their interactions.
This information can be used to screen the parameters that should be further
investigated. To exemplify our approach, a capacity and resource planning task
for a hospital was simulated and optimized. The study explicitly covers
difficulties caused by the COVID-19 pandemic. It can be shown, that even if
only limited real-world data is available, the BuB simulator can be
beneficially used to consider worst- and best-case scenarios. The BuB simulator
can be extended in many ways, e.g., by adding further resources (personal
protection equipment, staff, pharmaceuticals) or by specifying several cohorts
(based on age, health status, etc.).
Keywords: Synthetic data, discrete-event simulation, surrogate-model-based
optimization, COVID-19, machine learning, artificial intelligence, hospital
resource planning, prediction tool, capacity planning.
- Abstract（参考訳）: シミュレーションモデルは、リソース使用量の推定とキャパシティ計画に有用なツールである。
多くの場合、信頼できるデータは利用できない。
本稿では,シミュレーションパラメータに対する可算区間の仕様のみを必要とするBuBシミュレータを提案する。
代理モデルに基づく最適化を行うことで、改良されたシミュレーションモデルパラメータを決定することができる。
さらに、最も重要なモデルパラメータとその相互作用の深い洞察を可能にする詳細な統計分析を行うこともできる。
この情報は、さらに調査すべきパラメータのスクリーニングに使用することができる。
当社のアプローチを実証するために,病院の容量と資源計画タスクをシミュレートし,最適化した。
この研究は、新型コロナウイルスのパンデミックによる困難について明確に取り上げている。
たとえ限られた実世界のデータしか利用できないとしても、BuBシミュレータは最悪のシナリオやベストケースのシナリオを考えるのに役立ちます。
BuBシミュレータは、例えば、追加のリソース(個人の保護装置、スタッフ、医薬品)を追加したり、いくつかのコホート(年齢、健康状態など)を指定することで、様々な方法で拡張することができる。
キーワード: 合成データ、離散イベントシミュレーション、代理モデルに基づく最適化、COVID-19、機械学習、人工知能、病院のリソース計画、予測ツール、キャパシティ計画。
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) - Simulation-Enhanced Data Augmentation for Machine Learning Pathloss
Prediction [9.664420734674088]
本稿では,機械学習パスロス予測のための新しいシミュレーション強化データ拡張手法を提案する。
本手法は,細胞被覆シミュレータから生成した合成データと,独立して収集した実世界のデータセットを統合する。
合成データの統合は、異なる環境におけるモデルの一般化可能性を大幅に向上させる。
論文 参考訳（メタデータ） (2024-02-03T00:38:08Z) - 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) - Generalized Bayesian Inference for Scientific Simulators via Amortized
Cost Estimation [11.375835331641548]
ニューラルネットワークをトレーニングしてコスト関数を近似し、パラメータと観測データとの予測距離と定義する。
いくつかのベンチマークタスクにおいて、ACEはコストを正確に予測し、他のSBI法よりも合成観測に近い予測シミュレーションを提供する。
論文 参考訳（メタデータ） (2023-05-24T14:45:03Z) - Robust Neural Posterior Estimation and Statistical Model Criticism [1.5749416770494706]
モデラーはシミュレータを真のデータ生成プロセスの理想主義的な表現として扱わなければならない。
本研究では,シミュレーションモデルにおけるブラックボックスパラメータ推論を可能にするアルゴリズムのクラスであるNPEを再検討する。
一方,NPEを経時的に用いた場合,不特定性の存在は信頼できない推論につながることが判明した。
論文 参考訳（メタデータ） (2022-10-12T20:06:55Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。
勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文 参考訳（メタデータ） (2022-07-12T16:08:04Z) - SimDem A Multi-agent Simulation Environment to Model Persons with
Dementia and their Assistance [2.179313476241343]
認知症者の認知障害に着目したシミュレーションモデル(SimDem)を提案する。
SimDemを簡単に設定し、ユーザーが支援ソリューションをモデル化し、評価することができる。
論文 参考訳（メタデータ） (2021-07-12T12:13:47Z) - Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文 参考訳（メタデータ） (2021-05-16T12:38:35Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。