論文の概要: Probabilistic Inference of Simulation Parameters via Parallel Differentiable Simulation

• arxiv url: http://arxiv.org/abs/2109.08815v1
• Date: Sat, 18 Sep 2021 03:05:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:06:27.042902
• Title: Probabilistic Inference of Simulation Parameters via Parallel Differentiable Simulation
• Title（参考訳）: 並列微分可能シミュレーションによるシミュレーションパラメータの確率的推論
• Authors: Eric Heiden, Christopher E. Denniston, David Millard, Fabio Ramos, Gaurav S. Sukhatme
• Abstract要約: 実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。 ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。 我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
• 参考スコア（独自算出の注目度）: 34.30381620584878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To accurately reproduce measurements from the real world, simulators need to have an adequate model of the physical system and require the parameters of the model be identified. We address the latter problem of estimating parameters through a Bayesian inference approach that approximates a posterior distribution over simulation parameters given real sensor measurements. By extending the commonly used Gaussian likelihood model for trajectories via the multiple-shooting formulation, our chosen particle-based inference algorithm Stein Variational Gradient Descent is able to identify highly nonlinear, underactuated systems. We leverage GPU code generation and differentiable simulation to evaluate the likelihood and its gradient for many particles in parallel. Our algorithm infers non-parametric distributions over simulation parameters more accurately than comparable baselines and handles constraints over parameters efficiently through gradient-based optimization. We evaluate estimation performance on several physical experiments. On an underactuated mechanism where a 7-DOF robot arm excites an object with an unknown mass configuration, we demonstrate how our inference technique can identify symmetries between the parameters and provide highly accurate predictions. Project website: https://uscresl.github.io/prob-diff-sim
• Abstract（参考訳）: 実世界の計測を正確に再現するには、シミュレータは物理系の適切なモデルを持ち、モデルのパラメータを特定する必要がある。 本研究では,実センサ計測によるシミュレーションパラメータの後方分布を近似するベイズ推定手法によるパラメータ推定の後者の問題に対処する。 マルチシューティングの定式化により, 一般に使用されるガウス確率モデルを拡張することにより, 選択された粒子ベース推論アルゴリズムstein変分勾配降下により, 高度に非線形で不動な系を同定できる。 我々は,gpuコード生成と微分可能なシミュレーションを利用して,並列に多数の粒子の確率とその勾配を評価する。 本アルゴリズムは,パラメータの非パラメトリック分布を推定し,勾配に基づく最適化によりパラメータの制約を効率的に処理する。 いくつかの物理実験における評価性能を評価する。 7自由度ロボットアームが未知の質量配置で物体を励起するメカニズムについて,提案手法がパラメータ間の対称性を識別し,高精度な予測を行う方法を示す。 プロジェクトwebサイト: https://uscresl.github.io/prob-diff-sim

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• 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)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• Embed and Emulate: Learning to estimate parameters of dynamical systems with uncertainty quantification [11.353411236854582]
  本稿では,高次元力学系の不確実性を考慮したパラメータ推定のための学習エミュレータについて検討する。 私たちのタスクは、基礎となるパラメータの可能性のある値の範囲を正確に見積もることです。 結合した396次元のマルチスケールロレンツ96系において,本手法は典型的なパラメータ推定法よりも優れていた。
  論文  参考訳（メタデータ） (2022-11-03T01:59:20Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Arbitrary Marginal Neural Ratio Estimation for Simulation-based Inference [7.888755225607877]
  本稿では,数値積分に頼らずにパラメータの任意の部分集合に対する償却推論を可能にする新しい手法を提案する。 重力波観測による二元ブラックホール系のパラメータ推定法の適用性を示す。
  論文  参考訳（メタデータ） (2021-10-01T14:35:46Z)
• Learning to discover: expressive Gaussian mixture models for multi-dimensional simulation and parameter inference in the physical sciences [0.0]
  複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。 このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。 実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
  論文  参考訳（メタデータ） (2021-08-25T21:27:29Z)
• Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
  シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。 ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。 実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:55Z)

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。