Fugu-MT 論文翻訳(概要): CausalMan: A physics-based simulator for large-scale causality

論文の概要: CausalMan: A physics-based simulator for large-scale causality

arxiv url: http://arxiv.org/abs/2502.12707v1
Date: Tue, 18 Feb 2025 10:20:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-19 14:08:29.600379
Title: CausalMan: A physics-based simulator for large-scale causality
Title（参考訳）: CausalMan: 大規模因果性のための物理ベースのシミュレータ
Authors: Nicholas Tagliapietra, Juergen Luettin, Lavdim Halilaj, Moritz Willig, Tim Pychynski, Kristian Kersting,
Abstract要約: 実世界の生産ラインをモデルとしたCausalManシミュレータを提示する。コントリビューションとして,CausalManの大規模シミュレータをリリースする。
参考スコア（独自算出の注目度）: 16.93123199555512
License:
Abstract: A comprehensive understanding of causality is critical for navigating and operating within today's complex real-world systems. The absence of realistic causal models with known data generating processes complicates fair benchmarking. In this paper, we present the CausalMan simulator, modeled after a real-world production line. The simulator features a diverse range of linear and non-linear mechanisms and challenging-to-predict behaviors, such as discrete mode changes. We demonstrate the inadequacy of many state-of-the-art approaches and analyze the significant differences in their performance and tractability, both in terms of runtime and memory complexity. As a contribution, we will release the CausalMan large-scale simulator. We present two derived datasets, and perform an extensive evaluation of both.
Abstract（参考訳）: 因果関係の包括的理解は、今日の複雑な現実世界のシステムをナビゲートし、運用するために重要である。既知のデータ生成プロセスに現実的な因果モデルがないことは、公正なベンチマークを複雑にする。本稿では,実世界の生産ラインをモデルとしたCausalManシミュレータを提案する。このシミュレータは、様々な線形および非線形のメカニズムと離散モード変更のような予測の困難さを特徴としている。我々は、多くの最先端アプローチの不適切さを実証し、実行時とメモリの複雑さの両面で、その性能とトラクタビリティの重大な違いを分析した。コントリビューションとして,CausalManの大規模シミュレータをリリースする。 2つの派生したデータセットを提示し、その両方を広範囲に評価する。

関連論文リスト

GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文参考訳（メタデータ） (2024-12-23T18:58:17Z)
Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
論文参考訳（メタデータ） (2024-05-31T20:05:17Z)
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)
From Model-Based to Data-Driven Simulation: Challenges and Trends in Autonomous Driving [26.397030011439163]
シミュレーションのさまざまな側面や種類に関して,課題の概要を述べる。我々は、認識、行動、およびコンテンツリアリズムに関する側面と、シミュレーションの領域における一般的なハードルをカバーしている。中でも,モデルベースシミュレーションの代替として,データ駆動型,生成的アプローチ,高忠実度データ合成の傾向が注目されている。
論文参考訳（メタデータ） (2023-05-23T11:39:23Z)
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)
CausalSim: A Causal Framework for Unbiased Trace-Driven Simulation [25.620312665350028]
CausalSimは、バイアスのないトレース駆動シミュレーションのための因果的フレームワークである。トレース収集中にシステム力学の因果モデルと下層のシステム条件を捉える潜在因子を学習する。専門家が設計し、教師付き学習ベースラインと比較して、エラーを平均で53%、61%削減する。
論文参考訳（メタデータ） (2022-01-05T20:45:24Z)
DR2L: Surfacing Corner Cases to Robustify Autonomous Driving via Domain Randomization Reinforcement Learning [4.040937987024427]
ドメインランダム化(DR)は、このギャップをほとんど、あるいは全く現実世界のデータで埋めることのできる方法論である。シミュレーションで訓練されたDeepRLベースの自動運転車を強固にするために、敵対モデルが提案されている。
論文参考訳（メタデータ） (2021-07-25T09:15:46Z)
Exploring the potential of transfer learning for metamodels of heterogeneous material deformation [0.0]
転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2020-10-28T12:43:46Z)
Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。分散による離散乗法雑音のパラメータによく現れることを示す。最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文参考訳（メタデータ） (2020-06-11T09:58:01Z)
From Simulation to Real World Maneuver Execution using Deep Reinforcement Learning [69.23334811890919]
深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
論文参考訳（メタデータ） (2020-05-13T14:22:20Z)
A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。