論文の概要: Neural parameter calibration for large-scale multi-agent models
- arxiv url: http://arxiv.org/abs/2209.13565v1
- Date: Tue, 27 Sep 2022 17:36:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 16:34:55.059510
- Title: Neural parameter calibration for large-scale multi-agent models
- Title（参考訳）: 大規模マルチエージェントモデルのニューラルパラメータ校正
- Authors: Thomas Gaskin, Grigorios A. Pavliotis, Mark Girolami
- Abstract要約: 本稿では,ニューラルネットワークを用いてパラメータの精度の高い確率密度を求める手法を提案する。
2つの組み合わせは、非常に大きなシステムであっても、モデルパラメータの密度を素早く見積もることができる強力なツールを作成する。
- 参考スコア（独自算出の注目度）: 0.7734726150561089
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational models have become a powerful tool in the quantitative sciences
to understand the behaviour of complex systems that evolve in time. However,
they often contain a potentially large number of free parameters whose values
cannot be obtained from theory but need to be inferred from data. This is
especially the case for models in the social sciences, economics, or
computational epidemiology. Yet many current parameter estimation methods are
mathematically involved and computationally slow to run. In this paper we
present a computationally simple and fast method to retrieve accurate
probability densities for model parameters using neural differential equations.
We present a pipeline comprising multi-agent models acting as forward solvers
for systems of ordinary or stochastic differential equations, and a neural
network to then extract parameters from the data generated by the model. The
two combined create a powerful tool that can quickly estimate densities on
model parameters, even for very large systems. We demonstrate the method on
synthetic time series data of the SIR model of the spread of infection, and
perform an in-depth analysis of the Harris-Wilson model of economic activity on
a network, representing a non-convex problem. For the latter, we apply our
method both to synthetic data and to data of economic activity across Greater
London. We find that our method calibrates the model orders of magnitude more
accurately than a previous study of the same dataset using classical
techniques, while running between 195 and 390 times faster.
- Abstract（参考訳）: 計算モデルは、時間とともに進化する複雑なシステムの振る舞いを理解するための定量的科学の強力なツールとなっている。
しかし、理論から値を得ることができないがデータから推測される必要のある、潜在的に多くの自由パラメータを含むことが多い。
これは特に社会科学、経済学、計算疫学のモデルの場合である。
しかし、多くの現在のパラメータ推定法は数学的に関係しており、計算が遅い。
本稿では,ニューラル微分方程式を用いたモデルパラメータの正確な確率密度を求めるための,計算学的に単純かつ高速な手法を提案する。
本稿では,一般あるいは確率微分方程式系のフォワードソルバとして機能するマルチエージェントモデルと,モデルが生成するデータからパラメータを抽出するニューラルネットワークからなるパイプラインを提案する。
この2つの組み合わせは、非常に大きなシステムでもモデルパラメータの密度を素早く見積もる強力なツールを生み出します。
本研究では,感染拡大モデルsirの時系列データを用いて,ネットワーク上での経済活動のharris-wilsonモデルの詳細分析を行い,非凸問題を表現する。
後者については,合成データとグレーター・ロンドン全域の経済活動データの両方に本手法を適用する。
本手法は,従来より195倍から390倍高速に動作しながら,同じデータ集合を用いた従来の研究よりも桁違いにモデルの順序を規定していることがわかった。
関連論文リスト
- 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) - Deep Learning for Fast Inference of Mechanistic Models' Parameters [0.28675177318965045]
本稿では,観測対象の力学モデルのパラメータを直接予測するために,ディープニューラルネットワーク(NN)を提案する。
本稿では,ニューラルネットワークとメカニスティックモデルを組み合わせたトレーニング手法を検討する。
ニューラルネットワークの推定値は、さらなる適合によってわずかに改善されているのに対して、これらの推定は、適合手順単独よりも測定精度が良いことがわかった。
論文 参考訳（メタデータ） (2023-12-05T22:16:54Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Toward Physically Plausible Data-Driven Models: A Novel Neural Network
Approach to Symbolic Regression [2.7071541526963805]
本稿では,ニューラルネットワークに基づく記号回帰手法を提案する。
非常に小さなトレーニングデータセットとシステムに関する事前知識に基づいて、物理的に妥当なモデルを構築する。
本研究では,TurtleBot 2移動ロボット,磁気操作システム,2つの抵抗の等価抵抗,アンチロックブレーキシステムの長手力の4つの試験システムに対するアプローチを実験的に評価した。
論文 参考訳（メタデータ） (2023-02-01T22:05:04Z) - Supervised Parameter Estimation of Neuron Populations from Multiple
Firing Events [3.2826301276626273]
本研究では,一対のスパイキング系列とパラメータラベルからなる学習セットから,ニューロン集団のパラメータを自動的に学習する手法について,教師あり学習を通して検討した。
我々は、ニューロンモデルを用いて、異なるパラメータ設定での計算において多くのニューロン集団をシミュレートする。
次に、遺伝的検索、ベイズ逐次推定、ランダムウォーク近似モデルなどの古典的手法と比較する。
論文 参考訳（メタデータ） (2022-10-02T03:17:05Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2022-06-17T07:50:22Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - 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) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z)
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。