論文の概要: Design Patterns for Multilevel Modeling and Simulation
- arxiv url: http://arxiv.org/abs/2403.16713v1
- Date: Mon, 25 Mar 2024 12:51:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 14:48:50.904119
- Title: Design Patterns for Multilevel Modeling and Simulation
- Title(参考訳): マルチレベルモデリングとシミュレーションのためのデザインパターン
- Authors: Luca Serena, Moreno Marzolla, Gabriele D'Angelo, Stefano Ferretti,
- Abstract要約: マルチレベルモデリングとシミュレーション(M&S)は、この方法論がもたらす利点により、ますます関連性が高まっている。
本稿では,多段階モデルの設計と実装のための体系的なアプローチを提供する設計パターンの集合について述べる。
- 参考スコア(独自算出の注目度): 3.0248879829045383
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multilevel modeling and simulation (M&S) is becoming increasingly relevant due to the benefits that this methodology offers. Multilevel models allow users to describe a system at multiple levels of detail. From one side, this can make better use of computational resources, since the more detailed and time-consuming models can be executed only when/where required. From the other side, multilevel models can be assembled from existing components, cutting down development and verification/validation time. A downside of multilevel M&S is that the development process becomes more complex due to some recurrent issues caused by the very nature of multilevel models: how to make sub-models interoperate, how to orchestrate execution, how state variables are to be updated when changing scale, and so on. In this paper, we address some of these issues by presenting a set of design patterns that provide a systematic approach for designing and implementing multilevel models. The proposed design patterns cover multiple aspects, including how to represent different levels of detail, how to combine incompatible models, how to exchange data across models, and so on. Some of the patterns are derived from the general software engineering literature, while others are specific to the multilevel M&S application area.
- Abstract(参考訳): マルチレベルモデリングとシミュレーション(M&S)は、この方法論がもたらす利点により、ますます関連性が高まっている。
マルチレベルモデルは、ユーザが複数のレベルの詳細でシステムを記述することを可能にする。
なぜなら、より詳細で時間を要するモデルは、必要なときにのみ実行できるからです。
一方、マルチレベルモデルは既存のコンポーネントから組み立てることができ、開発と検証/検証時間を短縮できます。
マルチレベルのM&Sの欠点は、サブモデルを相互運用する方法、実行のオーケストレーション方法、スケール変更時の状態変数の更新方法など、マルチレベルのモデルの本質が原因で、開発プロセスがより複雑になることです。
本稿では,多段階モデルの設計と実装のための体系的なアプローチを提供する設計パターンの集合を提示することによって,これらの問題に対処する。
提案されたデザインパターンは、さまざまなレベルの詳細を表現する方法、互換性のないモデルを組み合わせる方法、モデル間でデータを交換する方法など、さまざまな側面をカバーする。
パターンのいくつかは、一般的なソフトウェア工学の文献から派生したものもあれば、マルチレベルM&Sアプリケーション領域に特化しているものもある。
関連論文リスト
- Model Composition for Multimodal Large Language Models [73.70317850267149]
本稿では,既存のMLLMのモデル構成による新しいパラダイムを提案する。
我々の基本的な実装であるNaiveMCは、モダリティエンコーダを再利用し、LLMパラメータをマージすることで、このパラダイムの有効性を実証する。
論文 参考訳(メタデータ) (2024-02-20T06:38:10Z) - Towards participatory multi-modeling for policy support across domains
and scales: a systematic procedure for integral multi-model design [0.0]
パンデミックのような複雑な課題に対する政策決定には、複数のドメインやスケールにまたがる複雑な影響を考慮する必要がある。
積分的マルチモデルは、既存の計算モデルから組み立てるか、概念的に全体を設計することができる。
本稿では、明確に定義されたドメイン知識の要求に基づいて、統合的なアプローチでマルチモデルを開発する手順を紹介する。
論文 参考訳(メタデータ) (2024-02-09T07:35:40Z) - Adapting Large Language Models for Content Moderation: Pitfalls in Data
Engineering and Supervised Fine-tuning [79.53130089003986]
大規模言語モデル(LLM)は、様々なドメインでタスクを処理するための実現可能なソリューションとなっている。
本稿では、コンテンツモデレーションのためにプライベートにデプロイ可能なLLMモデルを微調整する方法を紹介する。
論文 参考訳(メタデータ) (2023-10-05T09:09:44Z) - Incremental Model Transformations with Triple Graph Grammars for
Multi-version Models [1.6371451481715191]
本稿では,ソースモデルの複数バージョンを対象モデルの対応するバージョンに変換する手法を提案する。
我々のアプローチは、トリプルグラフ文法のよく知られた形式主義と、マルチバージョンモデルと呼ばれるモデルバージョン履歴の符号化に基づいている。
論文 参考訳(メタデータ) (2023-07-05T08:26:18Z) - ZipIt! Merging Models from Different Tasks without Training [20.2479633507354]
ZipIt!」は、同じアーキテクチャの2つの任意のモデルをマージする一般的な方法である。
これら2つの変更が組み合わさって、以前の作業よりも20~60%改善されていることが分かりました。
論文 参考訳(メタデータ) (2023-05-04T17:59:58Z) - Modular Deep Learning [120.36599591042908]
トランスファーラーニングは近年、機械学習の主要なパラダイムとなっている。
負の干渉を伴わずに複数のタスクを専門とするモデルを開発する方法はまだ不明である。
これらの課題に対する有望な解決策として、モジュール型ディープラーニングが登場した。
論文 参考訳(メタデータ) (2023-02-22T18:11:25Z) - Language Model Cascades [72.18809575261498]
テスト時に1つのモデルで繰り返し対話する、あるいは複数のモデルの合成は、さらに機能を拡張する。
制御フローと動的構造を持つ場合、確率的プログラミングのテクニックが必要となる。
この観点から、スクラッチパッド/思考連鎖、検証器、STaR、選択推論、ツール利用など、いくつかの既存のテクニックを定式化します。
論文 参考訳(メタデータ) (2022-07-21T07:35:18Z) - An Ample Approach to Data and Modeling [1.0152838128195467]
さまざまな分野の概念とメソッドを統合するモデルの構築方法をモデル化するためのフレームワークについて説明する。
参照M*メタモデルフレームワークは、厳密な同値関係の観点からデータセットと各モデルの関連付けに批判的に依存する。
開発されたフレームワークがデータクラスタリング、複雑性、共同研究、ディープラーニング、クリエイティビティに関する洞察を提供する方法について、いくつかの考察がなされている。
論文 参考訳(メタデータ) (2021-10-05T01:26:09Z) - Model Complexity of Deep Learning: A Survey [79.20117679251766]
深層学習におけるモデル複雑性に関する最新の研究を体系的に概観します。
本稿では,これら2つのカテゴリに関する既存研究について,モデルフレームワーク,モデルサイズ,最適化プロセス,データ複雑性の4つの重要な要因について概説する。
論文 参考訳(メタデータ) (2021-03-08T22:39:32Z) - Partially Observed Exchangeable Modeling [14.466964173883948]
我々は、部分的に観察される交換可能なモデリング(POEx)という新しいフレームワークを提案する。
POExは関連する部分的に観測された一連のインスタンスを取り込み、複数の要素上で観測されていない次元の条件分布を推測する。
当社のアプローチは、データのイントラインスタンス(一点に特徴がある)とイントラインスタンス(一点に複数の点がある)の依存関係を共同でモデル化する。
論文 参考訳(メタデータ) (2021-02-11T15:54:18Z) - Relating by Contrasting: A Data-efficient Framework for Multimodal
Generative Models [86.9292779620645]
生成モデル学習のための対照的なフレームワークを開発し、モダリティ間の共通性だけでなく、「関連」と「関連しない」マルチモーダルデータの区別によってモデルを訓練することができる。
提案手法では, 生成モデルを用いて, 関係のないサンプルから関連サンプルを正確に識別し, ラベルのない多モードデータの利用が可能となる。
論文 参考訳(メタデータ) (2020-07-02T15:08:11Z)
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。