論文の概要: A Doubly Stochastic Simulator with Applications in Arrivals Modeling and
Simulation
- arxiv url: http://arxiv.org/abs/2012.13940v3
- Date: Fri, 9 Jun 2023 18:15:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 03:38:32.203599
- Title: A Doubly Stochastic Simulator with Applications in Arrivals Modeling and
Simulation
- Title（参考訳）: 到着モデルとシミュレーションへの応用を含む二重確率シミュレータ
- Authors: Yufeng Zheng, Zeyu Zheng, Tingyu Zhu
- Abstract要約: 本稿では,モンテカルロシミュレータとワッサーシュタイン生成逆数ネットワークを統合して,広範囲の到着過程をモデル化し,推定し,シミュレーションするフレームワークを提案する。
古典的モンテカルロシミュレータはポアソンオブジェクトの解釈可能な「物理」を捉えるのに利点があるが、ニューラルネットベースのシミュレータは高次元分布における解釈できない複雑な依存を捉えるのに利点がある。
- 参考スコア（独自算出の注目度）: 8.808993671472349
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a framework that integrates classical Monte Carlo simulators and
Wasserstein generative adversarial networks to model, estimate, and simulate a
broad class of arrival processes with general non-stationary and
multi-dimensional random arrival rates. Classical Monte Carlo simulators have
advantages at capturing the interpretable "physics" of a stochastic object,
whereas neural-network-based simulators have advantages at capturing
less-interpretable complicated dependence within a high-dimensional
distribution. We propose a doubly stochastic simulator that integrates a
stochastic generative neural network and a classical Monte Carlo Poisson
simulator, to utilize both advantages. Such integration brings challenges to
both theoretical reliability and computational tractability for the estimation
of the simulator given real data, where the estimation is done through
minimizing the Wasserstein distance between the distribution of the simulation
output and the distribution of real data. Regarding theoretical properties, we
prove consistency and convergence rate for the estimated simulator under a
non-parametric smoothness assumption. Regarding computational efficiency and
tractability for the estimation procedure, we address a challenge in gradient
evaluation that arise from the discontinuity in the Monte Carlo Poisson
simulator. Numerical experiments with synthetic and real data sets are
implemented to illustrate the performance of the proposed framework.
- Abstract（参考訳）: 従来型モンテカルロシミュレータとwasserstein生成逆ネットワークを統合し,一般的な非定常・多次元ランダム到着率による到達過程のモデル化,推定,シミュレーションを行うフレームワークを提案する。
古典的モンテカルロシミュレータは確率的対象の解釈可能な「物理」を捉えるのに有利であるが、ニューラルネットベースのシミュレータは高次元分布内での解釈可能な複雑な依存を捉えるのに有利である。
本研究では,確率的生成ニューラルネットワークと古典的モンテカルロ・ポアソン・シミュレータを併用した二重確率シミュレータを提案する。
このような統合は、シミュレーション出力の分布と実データの分布の間のワッサーシュタイン距離を最小化することにより、与えられた実データの推定のための理論的信頼性と計算的トラクタビリティの両方に課題をもたらす。
理論的性質に関しては,非パラメトリックな平滑性仮定の下で推定シミュレータの一貫性と収束率を示す。
推定手順の計算効率とトラクタビリティについて,モンテカルロ・ポアソンシミュレータの不連続性から生じる勾配評価の課題に対処する。
提案フレームワークの性能を示すために, 合成および実データを用いた数値実験を行った。
関連論文リスト
- GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。
ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Parallel simulation for sampling under isoperimetry and score-based diffusion models [56.39904484784127]
データサイズが大きくなるにつれて、イテレーションコストの削減が重要な目標になります。
科学計算における初期値問題の並列シミュレーションの成功に触発されて,タスクをサンプリングするための並列Picard法を提案する。
本研究は,動力学に基づくサンプリング・拡散モデルの科学的計算におけるシミュレーション手法の潜在的利点を強調した。
論文 参考訳（メタデータ） (2024-12-10T11:50:46Z) - Active Sequential Posterior Estimation for Sample-Efficient Simulation-Based Inference [12.019504660711231]
逐次的神経後部推定(ASNPE)を導入する。
ASNPEは、シミュレーションパラメータ候補の効用を基礎となる確率モデルに推定するために、推論ループにアクティブな学習スキームをもたらす。
提案手法は,大規模実世界の交通ネットワークにおいて,高度に調整されたベンチマークと最先端の後方推定手法より優れる。
論文 参考訳（メタデータ） (2024-12-07T08:57:26Z) - Compositional simulation-based inference for time series [21.9975782468709]
シミュレータは、時間とともに何千もの単一状態遷移を通して現実世界のダイナミクスをエミュレートする。
本研究では,個々の状態遷移に整合したパラメータを局所的に同定することで,マルコフシミュレータを活用可能なSBIフレームワークを提案する。
次に、これらの局所的な結果を合成して、時系列の観測全体と一致した後続のオーバーパラメータを求める。
論文 参考訳（メタデータ） (2024-11-05T01:55:07Z) - 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) - 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) - Informal Safety Guarantees for Simulated Optimizers Through
Extrapolation from Partial Simulations [0.0]
自己教師付き学習は、最先端の言語モデリングのバックボーンである。
自己教師付きデータセットにおける予測損失を伴うトレーニングはシミュレータを引き起こすと論じられている。
論文 参考訳（メタデータ） (2023-11-29T09:32:56Z) - 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) - Nonparametric likelihood-free inference with Jensen-Shannon divergence
for simulator-based models with categorical output [1.4298334143083322]
シミュレータに基づく統計モデルに対する自由な推論は、機械学習と統計のコミュニティの両方において、関心の高まりを招いている。
本稿では、Jensen-Shannon- divergenceの計算特性を用いて、モデルパラメータに対する推定、仮説テスト、信頼区間の構築を可能にする理論的結果のセットを導出する。
このような近似はより集中的なアプローチの素早い代替手段であり、シミュレーターベースモデルの多種多様な応用には魅力的である。
論文 参考訳（メタデータ） (2022-05-22T18:00:13Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳（メタデータ） (2021-11-02T12:33:42Z) - DISCO: Double Likelihood-free Inference Stochastic Control [29.84276469617019]
確率自由推論のためのベイズ統計学における現代シミュレータのパワーと最近の技術を活用することを提案する。
シミュレーションパラメータの後方分布は、システムの潜在的非解析モデルによって伝播される。
実験により、制御器の提案により、古典的な制御やロボット工学のタスクにおいて、優れた性能と堅牢性が得られることが示された。
論文 参考訳（メタデータ） (2020-02-18T05:29:40Z)
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。