論文の概要: Deep Learning-based Spatially Explicit Emulation of an Agent-Based
Simulator for Pandemic in a City
- arxiv url: http://arxiv.org/abs/2205.14396v1
- Date: Sat, 28 May 2022 10:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-04 20:14:15.805688
- Title: Deep Learning-based Spatially Explicit Emulation of an Agent-Based
Simulator for Pandemic in a City
- Title(参考訳): 都市におけるパンデミックのためのエージェントベースシミュレータの深層学習による空間的エミュレーション
- Authors: Varun Madhavan, Adway Mitra, Partha Pratim Chakrabarti
- Abstract要約: エージェントベースモデルは、都市におけるパンデミックの拡散など、物理的または社会的プロセスのシミュレーションに有用である。
このようなモデルは計算には非常に高価であり、複雑度はしばしばエージェントの総数で線形である。
本稿では,エージェントベースモデルを高精度にエミュレート可能なDilated Convolutional Neural Networkに基づくディープラーニングモデルについて論じる。
- 参考スコア(独自算出の注目度): 0.6875312133832077
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agent-Based Models are very useful for simulation of physical or social
processes, such as the spreading of a pandemic in a city. Such models proceed
by specifying the behavior of individuals (agents) and their interactions, and
parameterizing the process of infection based on such interactions based on the
geography and demography of the city. However, such models are computationally
very expensive, and the complexity is often linear in the total number of
agents. This seriously limits the usage of such models for simulations, which
often have to be run hundreds of times for policy planning and even model
parameter estimation. An alternative is to develop an emulator, a surrogate
model that can predict the Agent-Based Simulator's output based on its initial
conditions and parameters. In this paper, we discuss a Deep Learning model
based on Dilated Convolutional Neural Network that can emulate such an agent
based model with high accuracy. We show that use of this model instead of the
original Agent-Based Model provides us major gains in the speed of simulations,
allowing much quicker calibration to observations, and more extensive scenario
analysis. The models we consider are spatially explicit, as the locations of
the infected individuals are simulated instead of the gross counts. Another
aspect of our emulation framework is its divide-and-conquer approach that
divides the city into several small overlapping blocks and carries out the
emulation in them parallelly, after which these results are merged together.
This ensures that the same emulator can work for a city of any size, and also
provides significant improvement of time complexity of the emulator, compared
to the original simulator.
- Abstract(参考訳): エージェントベースモデルは、都市におけるパンデミックの拡散など、物理的または社会的プロセスのシミュレーションに非常に有用である。
このようなモデルは、個人(エージェント)の行動とその相互作用を特定し、都市の地理とデモグラフィに基づいて、そのような相互作用に基づいて感染の過程をパラメータ化する。
しかし、そのようなモデルは非常に高価であり、複雑度はエージェントの総数において線形であることが多い。
これは、しばしばポリシー計画やモデルパラメータ推定のために何百回も実行されなければならないシミュレーションにおけるそのようなモデルの使用を著しく制限する。
別の方法は、エージェントベースシミュレータの出力を初期条件とパラメータに基づいて予測できる代理モデルであるエミュレータを開発することである。
本稿では,そのようなエージェントベースモデルを高精度にエミュレートできる拡張畳み込みニューラルネットワークに基づく深層学習モデルについて述べる。
エージェントベースモデルではなくこのモデルを使用することで,シミュレーションの速度が大幅に向上し,観測に対するキャリブレーションの迅速化と,より広範なシナリオ解析が可能になる。
感染した個体の位置は総数ではなくシミュレートされるので、我々が考慮するモデルは空間的に明らかである。
私たちのエミュレーションフレームワークのもう1つの側面は、都市を複数の小さな重なり合うブロックに分割し、エミュレーションを並列に実行し、その結果をマージする分割・コンカのアプローチである。
これにより、同じエミュレータが任意の大きさの都市でも機能し、オリジナルのシミュレータと比較してエミュレータの時間的複雑さを大幅に改善できる。
関連論文リスト
- 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) - 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) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - Near-realtime Facial Animation by Deep 3D Simulation Super-Resolution [7.14576106770047]
本稿では,低コストでリアルタイムな物理シミュレーションによって生み出す顔のパフォーマンスを効率よく,現実的に向上させるニューラルネットワークに基づくシミュレーションフレームワークを提案する。
顔のアニメーションをこのようなシミュレーション領域の例に用いて,2つのシミュレータで同じ筋の運動制御と骨格のポーズを単純にダイヤルすることで,この意味の一致を創り出すことができる。
提案するニューラルネットワーク超解像フレームワークは,このトレーニングセットから未確認表現を一般化し,リアルタイム変種における解像度の制限やコスト削減近似による2つのシミュレーション間の不一致をモデル化するための補償を行うとともに,意味記述子やパラメータを必要としない。
論文 参考訳(メタデータ) (2023-05-05T00:09:24Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - 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) - Abstraction of Markov Population Dynamics via Generative Adversarial
Nets [2.1485350418225244]
計算負荷を減らすための戦略は人口モデルを抽象化し、より単純なモデルで置き換えることである。
ここでは、このアイデアを追求し、過去の作品に基づいて、連続した空間と離散時間で軌道を生成できる生成器を構築する。
このジェネレータは、生成逆数設定で元のモデルのシミュレーションから自動的に学習される。
論文 参考訳(メタデータ) (2021-06-24T12:57:49Z) - 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) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳(メタデータ) (2021-01-17T00:29:30Z) - Using Machine Learning to Emulate Agent-Based Simulations [0.0]
エージェントベースモデル(ABM)解析に用いる統計エミュレータとして,複数の機械学習手法の性能評価を行った。
エージェントベースのモデリングは、モデルに対するより堅牢な感度解析を容易にするため、エミュレーションに機械学習を用いる利点がある。
論文 参考訳(メタデータ) (2020-05-05T11:48:36Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。