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
- Online Variational Sequential Monte Carlo [56.16884466478886]
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) - Exploring Unified Perspective For Fast Shapley Value Estimation [77.15924044466976]
共有値の単純かつ効率的な推定法であるSimSHAPを提案する。
実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
論文 参考訳(メタデータ) (2023-11-02T06:09:24Z) - 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) - Synthetic Data-Based Simulators for Recommender Systems: A Survey [55.60116686945561]
本調査は,モデリングとシミュレーションの分野における最近のトレンドを包括的に概観することを目的としている。
まずは、シミュレーターを実装するフレームワークの開発の背後にあるモチベーションから始めます。
我々は,既存のシミュレータの機能,近似,産業的有効性に基づいて,新しい一貫した一貫した分類を行う。
論文 参考訳(メタデータ) (2022-06-22T19:33:21Z) - 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) - Transport away your problems: Calibrating stochastic simulations with
optimal transport [0.0]
我々は輸送理論からの手法を活用して「校正」シミュレータを構築する。
ニューラルネットワークを用いて、シミュレータによって生成された個々のサンプルに対する最小限の変更を計算します。
実験粒子物理学の文脈におけるその方法とその利点を解説する。
論文 参考訳(メタデータ) (2021-07-19T07:11:13Z) - Truncated Marginal Neural Ratio Estimation [5.438798591410838]
本稿では、シミュレーション効率と高速な実験後テスト容易性を同時に提供するニューラルネットワークシミュレータベースの推論アルゴリズムを提案する。
本手法は関節後部ではなく低次元縁後部を同時に推定することによりシミュレーションを効率化する。
局所的アモータイズ後部を推定することにより,提案アルゴリズムは推論結果のロバスト性の効率的な実証試験を可能にする。
論文 参考訳(メタデータ) (2021-07-02T18:00:03Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - 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。