論文の概要: Accelerating Stochastic Simulation with Interactive Neural Processes

• arxiv url: http://arxiv.org/abs/2106.02770v1
• Date: Sat, 5 Jun 2021 01:31:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 18:37:04.080339
• Title: Accelerating Stochastic Simulation with Interactive Neural Processes
• Title（参考訳）: 対話型ニューラルプロセスによる確率シミュレーションの高速化
• Authors: Dongxia Wu, Matteo Chinazzi, Alessandro Vespignani, Yi-An Ma, Rose Yu
• Abstract要約: 対話型ニューラル・プロセス(INP)は、ディープラーニングモデルを学び、シミュレーションを加速する対話型フレームワークである。 我々はベイジアン能動学習アルゴリズムを設計し、シミュレータを反復的にクエリし、より多くのデータを収集し、モデルを継続的に改善する。
• 参考スコア（独自算出の注目度）: 74.14000505345803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stochastic simulations such as large-scale, spatiotemporal, age-structured epidemic models are computationally expensive at fine-grained resolution. We propose Interactive Neural Process (INP), an interactive framework to continuously learn a deep learning surrogate model and accelerate simulation. Our framework is based on the novel integration of Bayesian active learning, stochastic simulation and deep sequence modeling. In particular, we develop a novel spatiotemporal neural process model to mimic the underlying process dynamics. Our model automatically infers the latent process which describes the intrinsic uncertainty of the simulator. This also gives rise to a new acquisition function that can quantify the uncertainty of deep learning predictions. We design Bayesian active learning algorithms to iteratively query the simulator, gather more data, and continuously improve the model. We perform theoretical analysis and demonstrate that our approach reduces sample complexity compared with random sampling in high dimension. Empirically, we demonstrate our framework can faithfully imitate the behavior of a complex infectious disease simulator with a small number of examples, enabling rapid simulation and scenario exploration.
• Abstract（参考訳）: 大規模・時空間・年齢構成の疫病モデルのような確率シミュレーションは、きめ細かい解像度で計算的に高価である。 本稿では,ディープラーニングサロゲートモデルを継続的に学習し,シミュレーションを高速化する対話型フレームワークであるInteractive Neural Process (INP)を提案する。 本フレームワークは,ベイジアン能動学習,確率シミュレーション,ディープシーケンスモデリングの新たな統合に基づいている。 特に,基礎となるプロセスダイナミクスを模倣する新しい時空間ニューラルプロセスモデルを開発した。 本モデルでは,シミュレータの固有不確実性を記述する潜在過程を自動的に推定する。 これはまた、ディープラーニングの予測の不確実性を定量化できる新しい獲得関数を生み出す。 シミュレーションを反復的にクエリし,より多くのデータを収集し,モデルを継続的に改善するために,ベイズアクティブラーニングアルゴリズムを設計した。 理論解析を行い, 高次元のランダムサンプリングと比較して, サンプルの複雑さを低減できることを示す。 経験的に,我々は,複雑な感染症シミュレータの挙動を少数の例で忠実に模倣し,迅速なシミュレーションとシナリオ探索を可能にした。

関連論文リスト

• Feasibility Study on Active Learning of Smart Surrogates for Scientific Simulations [4.368891765870579]
  深層ニューラルネットワーク(DNN)のサロゲートトレーニングにアクティブラーニングを組み込むことの可能性を検討する。 これにより、インテリジェントで客観的なトレーニングシミュレーションの選択が可能になり、広範なシミュレーションデータを生成する必要がなくなる。 その結果、スマートサロゲートのための高性能コンピューティング基盤の開発の基礎となった。
  論文  参考訳（メタデータ） (2024-07-10T14:00:20Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Learning to Simulate: Generative Metamodeling via Quantile Regression [2.2518304637809714]
  我々は「シミュレーターの高速シミュレータ」を構築することを目的とした、生成メタモデリングと呼ばれる新しいメタモデリング概念を提案する。 一度構築すると、生成メタモデルは入力が特定されるとすぐに大量のランダム出力を生成することができる。 本稿では,QRGMM(quantile-regression-based generative metamodeling)という新しいアルゴリズムを提案し,その収束率と収束率について検討する。
  論文  参考訳（メタデータ） (2023-11-29T16:46:24Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• 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)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Automatic Evolution of Machine-Learning based Quantum Dynamics with Uncertainty Analysis [4.629634111796585]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)モデルは、長期量子力学をシミュレートするために用いられる。 この研究は、オープン量子システムの動的進化をシミュレートする効果的な機械学習アプローチを構築する。
  論文  参考訳（メタデータ） (2022-05-07T08:53:55Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Learning Accurate Business Process Simulation Models from Event Logs via Automated Process Discovery and Deep Learning [0.8164433158925593]
  データ駆動シミュレーション(DDS)メソッドは、イベントログからプロセスシミュレーションモデルを学ぶ。 ディープラーニング(DL)モデルは、このような時間的ダイナミクスを正確に捉えることができる。 本稿では,イベントログからプロセスシミュレーションモデルを学ぶためのハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2021-03-22T15:34:57Z)

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。