論文の概要: Enhancing generalizability of model discovery across parameter space with multi-experiment equation learning (ME-EQL)

• arxiv url: http://arxiv.org/abs/2506.08916v1
• Date: Tue, 10 Jun 2025 15:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.754537
• Title: Enhancing generalizability of model discovery across parameter space with multi-experiment equation learning (ME-EQL)
• Title（参考訳）: 多実験方程式学習(ME-EQL)によるパラメータ空間におけるモデル発見の一般化性向上
• Authors: Maria-Veronica Ciocanel, John T. Nardini, Kevin B. Flores, Erica M. Rutter, Suzanne S. Sindi, Alexandria Volkening,
• Abstract要約: 1-at-a-time ME-EQL(OAT ME-EQL)は、各パラメータセットの個々のモデルを学び、それらを接続し、組み込み構造ME-EQL(ES ME-EQL)である。 本手法は,生死平均場モデルと,生死モデルと空間構造を用いた移動モデルを用いて実証する。 この結果から,OAT ME-EQLはパラメータ空間の一般化性を向上させるとともに,エージェントベースシミュレーションからパラメータを復元する際の相対誤差を著しく低減することがわかった。
• 参考スコア（独自算出の注目度）: 37.69303106863453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agent-based modeling (ABM) is a powerful tool for understanding self-organizing biological systems, but it is computationally intensive and often not analytically tractable. Equation learning (EQL) methods can derive continuum models from ABM data, but they typically require extensive simulations for each parameter set, raising concerns about generalizability. In this work, we extend EQL to Multi-experiment equation learning (ME-EQL) by introducing two methods: one-at-a-time ME-EQL (OAT ME-EQL), which learns individual models for each parameter set and connects them via interpolation, and embedded structure ME-EQL (ES ME-EQL), which builds a unified model library across parameters. We demonstrate these methods using a birth--death mean-field model and an on-lattice agent-based model of birth, death, and migration with spatial structure. Our results show that both methods significantly reduce the relative error in recovering parameters from agent-based simulations, with OAT ME-EQL offering better generalizability across parameter space. Our findings highlight the potential of equation learning from multiple experiments to enhance the generalizability and interpretability of learned models for complex biological systems.
• Abstract（参考訳）: エージェント・ベース・モデリング(ABM)は、自己組織化された生物学的システムを理解する強力なツールであるが、計算集約的であり、しばしば分析的に抽出できない。 方程式学習(EQL)法は、ABMデータから連続体モデルを導出することができるが、通常は各パラメータセットに対して広範なシミュレーションを必要とし、一般化可能性に関する懸念を提起する。 本研究では,1-at-a-time ME-EQL(OAT ME-EQL)というパラメータセットごとに個別のモデルを学習し,補間によって接続する手法と,パラメータ間で統一されたモデルライブラリを構築する組込み構造であるME-EQL(ES ME-EQL)という2つの手法を導入することで,EQLをME-EQL(Multi-experiment equation learning)に拡張する。 本手法は,生死平均場モデルと,生死モデルと空間構造を用いた移動モデルを用いて実証する。 この結果から,OAT ME-EQLはパラメータ空間の一般化性を向上させるとともに,エージェントベースシミュレーションからパラメータを復元する際の相対誤差を著しく低減することがわかった。 本研究は, 複雑な生体系に対する学習モデルの一般化性と解釈可能性を高めるために, 複数の実験から方程式学習の可能性を明らかにするものである。

関連論文リスト

• AdaMMS: Model Merging for Heterogeneous Multimodal Large Language Models with Unsupervised Coefficient Optimization [86.8133939108057]
  異種MLLMに適した新しいモデルマージ手法であるAdaMMSを提案する。 提案手法は,マッピング,マージ,検索という3段階の課題に対処する。 ラベル付きデータ無しで異種MLLMをマージできる最初のモデルマージ手法として、AdaMMSは様々なビジョンベンチマークで過去のモデルマージ手法より優れている。
  論文  参考訳（メタデータ） (2025-03-31T05:13:02Z)
• Model Assembly Learning with Heterogeneous Layer Weight Merging [57.8462476398611]
  モデル統合のための新しいパラダイムであるモデルアセンブリ学習(MAL)を紹介する。 MALは、様々なモデルのパラメータをオープンエンドモデル動物園に統合し、ベースモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-03-27T16:21:53Z)
• A Two-Scale Complexity Measure for Deep Learning Models [2.512406961007489]
  有効次元に基づく統計モデルのための新しいキャパシティ尺度2sEDを導入する。 新しい量は、モデル上の軽度の仮定の下で一般化誤差を証明的に有界にする。 標準データセットと一般的なモデルアーキテクチャのシミュレーションは、2sEDがトレーニングエラーとよく相関していることを示している。
  論文  参考訳（メタデータ） (2024-01-17T12:50:50Z)
• Bayesian Learning of Coupled Biogeochemical-Physical Models [28.269731698116257]
  海洋生態系の予測モデルは、様々なニーズに使われている。 希少な測定と海洋プロセスの理解が限られているため、かなりの不確実性がある。 候補モデルの空間での処理と新しいモデルの発見を可能にするベイズモデル学習手法を開発した。
  論文  参考訳（メタデータ） (2022-11-12T17:49:18Z)
• 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)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)
• Generalized Matrix Factorization: efficient algorithms for fitting generalized linear latent variable models to large data arrays [62.997667081978825]
  一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。 GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。 本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T04:28:19Z)

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。