論文の概要: CausalSim: A Causal Framework for Unbiased Trace-Driven Simulation
- arxiv url: http://arxiv.org/abs/2201.01811v4
- Date: Fri, 5 May 2023 23:14:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 01:21:42.154635
- Title: CausalSim: A Causal Framework for Unbiased Trace-Driven Simulation
- Title（参考訳）: CausalSim: バイアスのないトレース駆動シミュレーションのための因果フレームワーク
- Authors: Abdullah Alomar, Pouya Hamadanian, Arash Nasr-Esfahany, Anish Agarwal,
Mohammad Alizadeh, Devavrat Shah
- Abstract要約: CausalSimは、バイアスのないトレース駆動シミュレーションのための因果的フレームワークである。
トレース収集中にシステム力学の因果モデルと下層のシステム条件を捉える潜在因子を学習する。
専門家が設計し、教師付き学習ベースラインと比較して、エラーを平均で53%、61%削減する。
- 参考スコア（独自算出の注目度）: 25.620312665350028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present CausalSim, a causal framework for unbiased trace-driven
simulation. Current trace-driven simulators assume that the interventions being
simulated (e.g., a new algorithm) would not affect the validity of the traces.
However, real-world traces are often biased by the choices algorithms make
during trace collection, and hence replaying traces under an intervention may
lead to incorrect results. CausalSim addresses this challenge by learning a
causal model of the system dynamics and latent factors capturing the underlying
system conditions during trace collection. It learns these models using an
initial randomized control trial (RCT) under a fixed set of algorithms, and
then applies them to remove biases from trace data when simulating new
algorithms.
Key to CausalSim is mapping unbiased trace-driven simulation to a tensor
completion problem with extremely sparse observations. By exploiting a basic
distributional invariance property present in RCT data, CausalSim enables a
novel tensor completion method despite the sparsity of observations. Our
extensive evaluation of CausalSim on both real and synthetic datasets,
including more than ten months of real data from the Puffer video streaming
system shows it improves simulation accuracy, reducing errors by 53% and 61% on
average compared to expert-designed and supervised learning baselines.
Moreover, CausalSim provides markedly different insights about ABR algorithms
compared to the biased baseline simulator, which we validate with a real
deployment.
- Abstract（参考訳）: 未バイアストレース駆動シミュレーションのための因果的フレームワークCausalSimを提案する。
現在のトレース駆動シミュレータは、シミュレーションされる介入(例えば新しいアルゴリズム)がトレースの有効性に影響を与えないと仮定している。
しかし、現実世界のトレースはしばしば、アルゴリズムがトレース収集中に行う選択に偏っているため、介入の下でトレースを再生することは誤った結果につながる可能性がある。
causalsimはシステムダイナミクスの因果モデルとトレース収集の基盤となるシステム条件を捉える潜在要因を学習することで、この課題に対処している。
アルゴリズムの固定セットの下で初期ランダム化制御試行(RCT)を使用してこれらのモデルを学習し、新しいアルゴリズムをシミュレートする際にトレースデータからバイアスを取り除く。
因果シムの鍵は、偏りのないトレース駆動シミュレーションを非常にスパースな観測を伴うテンソル補完問題にマッピングすることである。
RCTデータに存在する基本的な分布不変性を利用して、CausalSimは観測の間隔にかかわらず、新しいテンソル完備化法を可能にする。
pufferビデオストリーミングシステムからの10ヶ月以上の実データを含む、実データと合成データの両方におけるcausalsimの広範な評価により、シミュレーション精度が向上し、専門家が設計した学習ベースラインと比較して、エラーを平均53%と61%削減できることがわかった。
さらに、CausalSimは、実際のデプロイで検証するバイアスベースラインシミュレータと比較して、ABRアルゴリズムに関する非常に異なる洞察を提供する。
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) - NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。
我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。
NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
論文 参考訳（メタデータ） (2024-06-21T17:59:02Z) - Addressing Misspecification in Simulation-based Inference through Data-driven Calibration [43.811367860375825]
近年の研究では、モデルの不特定がシミュレーションに基づく推論の信頼性を損なうことが示されている。
本研究は, モデル誤特定を克服し, 地上真実パラメータ測定の小さな実世界の校正セットであるロバスト後部推定(ROPE)を導入する。
論文 参考訳（メタデータ） (2024-05-14T16:04:39Z) - 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) - Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。
本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。
その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
論文 参考訳（メタデータ） (2024-04-04T10:54:38Z) - Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。
我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。
高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-25T11:29:32Z) - CausalTime: Realistically Generated Time-series for Benchmarking of
Causal Discovery [14.092834149864514]
本研究では,実データに非常によく似た時系列を生成するためのCausalTimeパイプラインを紹介する。
パイプラインは、特定のシナリオにおける実際の観察から始まり、一致するベンチマークデータセットを生成する。
実験では, 定性的, 定量的な実験を行い, 既存のTSCDアルゴリズムのベンチマークを行った。
論文 参考訳（メタデータ） (2023-10-03T02:29:19Z) - 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) - 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) - Training robust anomaly detection using ML-Enhanced simulations [1.370633147306388]
シミュレーションは、実世界のデータではスパースまたは非存在の可能性のある異常検出のためのエッジ条件を提供することができる。
我々の手法は、実世界のデータに基づいてトレーニングされたニューラルネットワークを用いてシミュレーションを強化し、従来のシミュレーションよりもリアルで可変な出力を生成する。
論文 参考訳（メタデータ） (2020-08-27T12:28:07Z) - Continuous Optimization Benchmarks by Simulation [0.0]
最適化アルゴリズムのテスト、比較、チューニング、理解にはベンチマーク実験が必要である。
以前の評価から得られたデータは、ベンチマークに使用される代理モデルのトレーニングに使用することができる。
本研究では,スペクトルシミュレーションにより連続最適化問題のシミュレーションが可能であることを示す。
論文 参考訳（メタデータ） (2020-08-14T08:50:57Z)
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。