論文の概要: A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models

• arxiv url: http://arxiv.org/abs/2507.10714v1
• Date: Mon, 14 Jul 2025 18:31:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.837054
• Title: A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models
• Title（参考訳）: 確率ペトリネットモデルのための簡易近似ベイズ推論ニューラルサロゲート
• Authors: Bright Kwaku Manu, Trevor Reckell, Beckett Sterner, Petar Jevtic,
• Abstract要約: 後部分布フレームワークのニューラルネットワークに基づく近似を導入する。 我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Stochastic Petri Nets (SPNs) are an increasingly popular tool of choice for modeling discrete-event dynamics in areas such as epidemiology and systems biology, yet their parameter estimation remains challenging in general and in particular when transition rates depend on external covariates and explicit likelihoods are unavailable. We introduce a neural-surrogate (neural-network--based approximation of the posterior distribution) framework that predicts the coefficients of known covariate-dependent rate functions directly from noisy, partially observed token trajectories. Our model employs a lightweight 1D Convolutional Residual Network trained end-to-end on Gillespie-simulated SPN realizations, learning to invert system dynamics under realistic conditions of event dropout. During inference, Monte Carlo dropout provides calibrated uncertainty bounds together with point estimates. On synthetic SPNs with 20% missing events, our surrogate recovers rate-function coefficients with an RMSE = 0.108 and substantially runs faster than traditional Bayesian approaches. These results demonstrate that data-driven, likelihood-free surrogates can enable accurate, robust, and real-time parameter recovery in complex, partially observed discrete-event systems.
• Abstract（参考訳）: 確率ペトリネット(Stochastic Petri Nets、SPNs)は、疫学やシステム生物学などの分野における離散事象のダイナミクスをモデル化するための、ますます人気のあるツールである。 本稿では,ニューラルサロゲート(神経ネットワークに基づく後部分布近似)フレームワークを導入し,既知の共変量依存率関数の係数を,部分的に観察されたトークン軌跡から直接予測する。 我々のモデルは、1D Convolutional Residual Networkで訓練されたGillespie-simulated SPN実現のエンドツーエンドを使用し、現実的なイベントドロップアウト条件下でのシステムダイナミクスの反転を学習する。 推論中、モンテカルロのドロップアウトは、点推定とともにキャリブレーションされた不確実性境界を提供する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。 これらの結果は、データ駆動型、可能性のないサロゲートは、複雑で部分的に観察された離散イベントシステムにおいて、正確で堅牢でリアルタイムなパラメータ回復を可能にすることを示した。

関連論文リスト

• Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
  パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。 この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。 力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
  論文  参考訳（メタデータ） (2026-02-26T16:43:28Z)
• Generative Neural Operators through Diffusion Last Layer [13.076028397183897]
  予測の不確実性をモデル化するために、任意の神経オペレーターのバックボーンにアタッチできる軽量な確率的ヘッドを導入する。 PDE溶液分布によってしばしば現れる相対的滑らかさと低次元構造に動機づけられた条件出力分布を関数空間で直接パラメータ化する。 PDE演算子学習ベンチマーク、予測の改善、不確実性認識。
  論文  参考訳（メタデータ） (2026-02-04T02:10:53Z)
• Kantorovich-Type Stochastic Neural Network Operators for the Mean-Square Approximation of Certain Second-Order Stochastic Processes [0.0]
  我々は, ランダム性を係数レベルではなく, ニューロンによって駆動されるtextbf-tochastic ニューロンを介して組み込む新しいクラスである textbf Kantorovich-type Neural Network Operators (K-SNNOs) を構築した。 このフレームワークは、オペレーターが基礎となるプロセスの確率的構造を継承することができ、信号のモデリングと近似に適している。
  論文  参考訳（メタデータ） (2026-01-07T06:25:40Z)
• Interpretable Neural Approximation of Stochastic Reaction Dynamics with Guaranteed Reliability [4.736119820998459]
  我々は,解釈可能性,信頼性保証,実質的な計算ゲインを実現するニューラルネットワークフレームワークであるDeepSKAを紹介する。 DeepSKAは、状態、時間、出力関数にまたがって一般化する数学的に透明な表現を生成し、この構造を少数のシミュレーションと統合し、古典的モンテカルロよりも非バイアスで、確率的に収束し、劇的に低いマグニチュード推定を生成する。
  論文  参考訳（メタデータ） (2025-12-06T04:45:31Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Discovering Governing Equations in the Presence of Uncertainty [11.752763800308276]
  本研究では, 力学系を基礎とする支配方程式を一貫して発見する鍵として, 測定ノイズとともに, システムの変動性を考慮した説明が重要であることを理論的に論じる。 SIPは、スパース同定ダイナミクス(SINDy)とその変種に対する平均82%の正方程式を一貫して同定することを示した。
  論文  参考訳（メタデータ） (2025-07-13T18:31:25Z)
• A variational neural Bayes framework for inference on intractable posterior distributions [1.0801976288811024]
  トレーニングされたニューラルネットワークに観測データを供給することにより、モデルパラメータの後方分布を効率的に取得する。 理論的には、我々の後部はKulback-Leiblerの発散において真の後部に収束することを示す。
  論文  参考訳（メタデータ） (2024-04-16T20:40:15Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Adaptive Conditional Quantile Neural Processes [9.066817971329899]
  条件量子ニューラルプロセス(CQNP)は、ニューラルプロセスファミリーの新たなメンバーである。 本稿では,情報量推定に焦点をあてることから学習する量子レグレッションの拡張を提案する。 実データと合成データセットによる実験は、予測性能を大幅に改善した。
  論文  参考訳（メタデータ） (2023-05-30T06:19:19Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
  本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。 モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。 数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
  論文  参考訳（メタデータ） (2022-08-19T00:35:03Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
  サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。 提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
  論文  参考訳（メタデータ） (2021-03-15T16:16:18Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• 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)
• Variational inference formulation for a model-free simulation of a dynamical system with unknown parameters by a recurrent neural network [8.616180927172548]
  本研究では,事前知識のない未知パラメータを持つ力学系の「モデルフリー」シミュレーションを提案する。 ディープラーニングモデルは,非線形時間行進演算子と未知パラメータの影響を時系列データセットから共同学習することを目的としている。 提案したディープラーニングモデルは,乱数パラメータの次元を正確に同定し,複雑な時系列データの表現を学習することができる。
  論文  参考訳（メタデータ） (2020-03-02T20:57:02Z)

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。