Fugu-MT 論文翻訳(概要): Some challenges of calibrating differentiable agent-based models

論文の概要: Some challenges of calibrating differentiable agent-based models

arxiv url: http://arxiv.org/abs/2307.01085v1
Date: Mon, 3 Jul 2023 15:07:10 GMT
ステータス: 処理完了
システム内更新日: 2023-07-05 12:28:34.620672
Title: Some challenges of calibrating differentiable agent-based models
Title（参考訳）: 微分可能なエージェントベースモデルのキャリブレーションの課題
Authors: Arnau Quera-Bofarull, Joel Dyer, Anisoara Calinescu, Michael Wooldridge
Abstract要約: エージェントベースモデル(ABM)は複雑なシステムのモデリングと推論に有望なアプローチである。それらの応用は、その複雑さ、離散的性質、パラメータ推論と最適化タスクの実行の難しさによって妨げられている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Agent-based models (ABMs) are a promising approach to modelling and reasoning about complex systems, yet their application in practice is impeded by their complexity, discrete nature, and the difficulty of performing parameter inference and optimisation tasks. This in turn has sparked interest in the construction of differentiable ABMs as a strategy for combatting these difficulties, yet a number of challenges remain. In this paper, we discuss and present experiments that highlight some of these challenges, along with potential solutions.
Abstract（参考訳）: エージェントベースモデル(abms)は複雑なシステムのモデリングと推論に有望なアプローチであるが、実際にはその複雑性、離散的性質、パラメータ推論や最適化タスクの実行が困難である。このことが、これらの困難に対処するための戦略として、差別化可能なabmの構築に興味を惹きつけたが、多くの課題が残っている。本稿では,これらの課題のいくつかと潜在的な解決策を紹介する実験について述べる。

関連論文リスト

BloomWise: Enhancing Problem-Solving capabilities of Large Language Models using Bloom's-Taxonomy-Inspired Prompts [59.83547898874152]
我々は,Bloomの分類にインスパイアされた新しいプロンプト技術であるBloomWiseを導入し,Large Language Models(LLMs)の性能を向上させる。より洗練された認知スキルを身につける必要性に関する決定は、LLMによる自己評価に基づいている。 4つの一般的な算数推論データセットの広範な実験において,提案手法の有効性を実証した。
論文参考訳（メタデータ） (2024-10-05T09:27:52Z)
The Missing Link: Allocation Performance in Causal Machine Learning [7.093692674858259]
一つのCATEモデルの性能が、さまざまな意思決定シナリオで大きく異なることを示す。分布シフトなどの課題が予測やアロケーションに与える影響を明らかにする。
論文参考訳（メタデータ） (2024-07-15T14:57:40Z)
Solving for X and Beyond: Can Large Language Models Solve Complex Math Problems with More-Than-Two Unknowns? [57.80779199039929]
大規模言語モデル (LLM) は数学問題の解法において顕著な性能を示した。本稿では,複数の未知の問題を組み込むことで,これらの制約に対処する新しいベンチマークであるBeyondXを紹介する。 BeyondXに関する実証的な研究によると、数学のタスクに特化して調整された既存のLLMの性能は、未知の数が増えるにつれて著しく低下する。
論文参考訳（メタデータ） (2024-07-06T17:01:04Z)
Robustness Assessment of Mathematical Reasoning in the Presence of Missing and Contradictory Conditions [48.251724997889184]
我々は、ミス・コントラクタリー条件(PMC)に関する問題というベンチマークを開発する。本稿では,これらのシナリオにおける数ショットプロンプト手法の性能を評価するための2つの新しい指標を提案する。 SMT-LIB Prompting (SLP) と呼ばれる,SMT-LIB言語を用いて直接解決する代わりに,この問題をモデル化する手法を提案する。
論文参考訳（メタデータ） (2024-06-07T16:24:12Z)
Bayesian Nonparametrics: An Alternative to Deep Learning [0.5801621787540265]
この調査はベイズ非パラメトリックの重要性を掘り下げることを目的としており、特に統計学、計算機科学、電気工学など様々な分野における複雑な課題に対処することを目的としている。ベイズ的非パラメトリック手法の汎用性と有効性を明らかにし、様々な分野にまたがる課題を複雑に解決する革新的な解決策の道を開く。
論文参考訳（メタデータ） (2024-03-29T17:32:42Z)
HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
論文参考訳（メタデータ） (2024-01-23T18:59:43Z)
ReST meets ReAct: Self-Improvement for Multi-Step Reasoning LLM Agent [50.508669199496474]
外部知識に基づいて推論と行動を行うReAct-style LLMエージェントを開発した。エージェントをReSTライクな手法で改良し,従来の軌道上で反復的に訓練する。引き起こされた大きなモデルから始まり、アルゴリズムのたった2イテレーションの後に、微調整された小さなモデルを生成することができる。
論文参考訳（メタデータ） (2023-12-15T18:20:15Z)
Diversifying the Mixture-of-Experts Representation for Language Models with Orthogonal Optimizer [59.43462055143123]
The Mixture of Experts (MoE)は、ディープラーニングにおいて非常に成功したテクニックとして登場した。本研究では,MoEの専門家が多様性の専門化や欠如に失敗した同質表現問題に光を当てた。我々は,各専門家が他の専門家に分散された部分空間への方向を更新するように促す訓練戦略を交互に提案する。
論文参考訳（メタデータ） (2023-10-15T07:20:28Z)
Efficient lifting of symmetry breaking constraints for complex combinatorial problems [9.156939957189502]
この作業は、Answer Set Programmingのためのモデルベースのアプローチの学習フレームワークと実装を拡張します。 Inductive Logic Programming System ILASPに新たなコンフリクト解析アルゴリズムを組み込む。
論文参考訳（メタデータ） (2022-05-14T20:42:13Z)
Integration of Convolutional Neural Networks in Mobile Applications [3.0280987248827085]
本稿では,Deep Learningモデルを統合するシステムの性能について,精度と複雑性のトレードオフとして検討する。モバイルアプリケーションにDLベースのソフトウェアをデプロイする際の最も重要な課題を特定する。
論文参考訳（メタデータ） (2021-03-11T15:27:05Z)

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。