論文の概要: Learning to Simulate: Generative Metamodeling via Quantile Regression

• arxiv url: http://arxiv.org/abs/2311.17797v2
• Date: Mon, 09 Dec 2024 09:12:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:47:44.086488
• Title: Learning to Simulate: Generative Metamodeling via Quantile Regression
• Title（参考訳）: シミュレーションの学習: 量子回帰による生成メタモデリング
• Authors: L. Jeff Hong, Yanxi Hou, Qingkai Zhang, Xiaowei Zhang,
• Abstract要約: 従来のメタモデリング技術は、シミュレータ入力と単一出力要約統計量の間の関係を学習する。 生成メタモデリングという新しい概念を提案する。 生成メタモデルは、入力仕様に基づいて多数のランダム出力を高速に生成することができる。
• 参考スコア（独自算出の注目度）: 2.0613075946076904
• License:
• Abstract: Stochastic simulation models effectively capture complex system dynamics but are often too slow for real-time decision-making. Traditional metamodeling techniques learn relationships between simulator inputs and a single output summary statistic, such as the mean or median. These techniques enable real-time predictions without additional simulations. However, they require prior selection of one appropriate output summary statistic, limiting their flexibility in practical applications. We propose a new concept: generative metamodeling. It aims to construct a "fast simulator of the simulator," generating random outputs significantly faster than the original simulator while preserving approximately equal conditional distributions. Generative metamodels enable rapid generation of numerous random outputs upon input specification, facilitating immediate computation of any summary statistic for real-time decision-making. We introduce a new algorithm, quantile-regression-based generative metamodeling (QRGMM), and establish its distributional convergence and convergence rate. Extensive numerical experiments demonstrate QRGMM's efficacy compared to other state-of-the-art generative algorithms in practical real-time decision-making scenarios.
• Abstract（参考訳）: 確率的シミュレーションモデルは複雑なシステムの力学を効果的に捉えるが、リアルタイムの意思決定には遅すぎることが多い。 従来のメタモデリング技術は、シミュレータ入力と平均や中央値のような単一出力要約統計学の関係を学習する。 これらの技術は、追加のシミュレーションなしでリアルタイムの予測を可能にする。 しかし、それらは1つの適切なアウトプットサマリー統計の事前選択を必要とし、実用アプリケーションにおける柔軟性を制限している。 生成メタモデリングという新しい概念を提案する。 これは「シミュレータの高速シミュレータ」を構築することを目的としており、ほぼ同じ条件分布を保ちながら、元のシミュレータよりもかなり高速なランダム出力を生成する。 生成メタモデルは、入力仕様に基づいて多数のランダム出力を高速に生成し、リアルタイムな意思決定のための要約統計量の即時計算を容易にする。 我々は,QRGMM(quantile-regression-based generative metamodeling)という新しいアルゴリズムを導入し,その分布収束率と収束率を確立する。 QRGMMの有効性は、実際のリアルタイム意思決定シナリオにおいて、他の最先端の生成アルゴリズムと比較できる。

関連論文リスト

• Towards a Real-Time Simulation of Elastoplastic Deformation Using Multi-Task Neural Networks [0.0]
  本研究では, 適切な分解, 長期記憶ネットワーク, マルチタスク学習を組み合わせ, 弾塑性変形をリアルタイムで正確に予測するサロゲート・モデリング・フレームワークを提案する。 このフレームワークは、様々な状態変数に対して0.40%未満の平均絶対誤差を達成する。 我々の場合、事前訓練されたマルチタスクモデルでは、20のサンプルしか持たない追加変数を効果的にトレーニングすることができ、複雑なシナリオの深い理解を示すことができます。
  論文  参考訳（メタデータ） (2024-11-08T14:04:17Z)
• 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)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• 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)
• Learning Accurate Business Process Simulation Models from Event Logs via Automated Process Discovery and Deep Learning [0.8164433158925593]
  データ駆動シミュレーション(DDS)メソッドは、イベントログからプロセスシミュレーションモデルを学ぶ。 ディープラーニング(DL)モデルは、このような時間的ダイナミクスを正確に捉えることができる。 本稿では,イベントログからプロセスシミュレーションモデルを学ぶためのハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2021-03-22T15:34:57Z)
• Recurrent convolutional neural network for the surrogate modeling of subsurface flow simulation [0.0]
  本稿では,数値フローシミュレーションの代理モデルとして,SegNetとConvLSTM層を組み合わせることを提案する。 その結果,シミュレーションの出力が時系列データである場合,SegNetに基づくサロゲートモデルの性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2020-10-08T09:34:48Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
  局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。 入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。 実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
  論文  参考訳（メタデータ） (2020-06-16T18:43:31Z)
• 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)

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。