論文の概要: Abmax: A JAX-based Agent-based Modeling Framework

• arxiv url: http://arxiv.org/abs/2508.16508v1
• Date: Fri, 22 Aug 2025 16:33:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.452063
• Title: Abmax: A JAX-based Agent-based Modeling Framework
• Title（参考訳）: Abmax: JAXベースのエージェントベースのモデリングフレームワーク
• Authors: Siddharth Chaturvedi, Ahmed El-Gazzar, Marcel van Gerven,
• Abstract要約: JAXをベースとしたAbmaxは、複数のジャスト・イン・タイム(JIT)コンパイル可能なアルゴリズムを実装し、この機能を提供する。 標準捕食モデルベンチマークでは、Abmaxは最先端の実装に匹敵するランタイムパフォーマンスを達成する。 この機能はベクトル化可能であることも示し、類似したエージェントベースのモデルを並列に実行できるようにする。
• 参考スコア（独自算出の注目度）: 0.5753241925582826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agent-based modeling (ABM) is a principal approach for studying complex systems. By decomposing a system into simpler, interacting agents, agent-based modeling (ABM) allows researchers to observe the emergence of complex phenomena. High-performance array computing libraries like JAX can help scale such computational models to a large number of agents by using automatic vectorization and just-in-time (JIT) compilation. One of the caveats of using JAX to achieve such scaling is that the shapes of arrays used in the computational model should remain immutable throughout the simulation. In the context of agent-based modeling (ABM), this can pose constraints on certain agent manipulation operations that require flexible data structures. A subset of which is represented by the ability to update a dynamically selected number of agents by applying distinct changes to them during a simulation. To this effect, we introduce Abmax, an ABM framework based on JAX that implements multiple just-in-time (JIT) compilable algorithms to provide this functionality. On the canonical predation model benchmark, Abmax achieves runtime performance comparable to state-of-the-art implementations. Further, we show that this functionality can also be vectorized, making it possible to run many similar agent-based models in parallel. We also present two examples in the form of a traffic-flow model and a financial market model to show the use case of Abmax.
• Abstract（参考訳）: エージェント・ベース・モデリング(ABM)は複雑なシステムの研究における主要なアプローチである。 システムを単純な相互作用するエージェントに分解することで、エージェントベースモデリング(ABM)は複雑な現象の出現を研究者が観察することを可能にする。 JAXのような高性能な配列計算ライブラリは、自動ベクトル化とジャスト・イン・タイム(JIT)コンパイルを使用することで、そのような計算モデルを多数のエージェントにスケールするのに役立ちます。 このようなスケーリングを実現するためにJAXを使うことの注意点の1つは、計算モデルで使用される配列の形状がシミュレーションを通して不変であることである。 エージェントベースモデリング(ABM)の文脈では、柔軟なデータ構造を必要とする特定のエージェント操作操作に制約を課すことがある。 サブセットは、シミュレーション中に異なる変更を施すことで、動的に選択されたエージェントの数を更新する機能によって表現される。 この機能を実現するために、複数のジャスト・イン・タイム(JIT)コンパイル可能なアルゴリズムを実装したJAXベースのABMフレームワークであるAbmaxを紹介します。 標準捕食モデルベンチマークでは、Abmaxは最先端の実装に匹敵するランタイム性能を達成する。 さらに,この機能はベクトル化可能であることも示し,類似したエージェントベースモデルを並列に実行可能にする。 また、Abmaxのユースケースを示すために、トラフィックフローモデルと金融市場モデルという2つの例を示す。

関連論文リスト

• mNARX+: A surrogate model for complex dynamical systems using manifold-NARX and automatic feature selection [0.0]
  機能的NARX(F-NARX)モデリングの特徴に基づく構造を利用した非線形自己回帰モデリングのための自動手法を提案する。 我々は,mNARX+アルゴリズムが,複雑な力学系に対する高精度で安定な代理モデルを作成するための体系的,データ駆動型手法を提供することを示した。
  論文  参考訳（メタデータ） (2025-07-17T17:11:07Z)
• Instruction-Following Pruning for Large Language Models [58.329978053711024]
  我々は、モデルに対する固定的なプルーニングマスクを決定する従来の静的プルーニングアプローチを超えて移動する。 本手法では,プルーニングマスクは入力依存型であり,ユーザ命令に記述された情報に基づいて動的に適応する。 我々の手法は「命令追従プルーニング」と呼ばれ、ユーザ命令を入力とし、与えられたタスクに対して最も関連性の高いモデルパラメータを動的に選択するスパースマスク予測器を導入している。
  論文  参考訳（メタデータ） (2025-01-03T20:19:14Z)
• xLAM: A Family of Large Action Models to Empower AI Agent Systems [111.5719694445345]
  AIエージェントタスク用に設計された大規模なアクションモデルであるxLAMをリリースする。 xLAMは、複数のエージェント能力ベンチマークで例外的なパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-09-05T03:22:22Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• Transformer Architecture for NetsDB [0.0]
  我々はNetsDBで機能するディープラーニングモデルのためのトランスフォーマーのエンドツーエンド実装を作成します。 分散処理、デプロイメント、効率的な推論のために、当社のモデルから重みをロードします。
  論文  参考訳（メタデータ） (2024-05-08T04:38:36Z)
• The Bayesian Context Trees State Space Model for time series modelling and forecasting [8.37609145576126]
  実数値時系列に対してリッチな混合モデルを開発するための階層的ベイズフレームワークが導入された。 最上位では、有意義な離散状態が、最新のサンプルの適切な定量値として特定される。 下位レベルでは、実数値時系列(ベースモデル)の異なる任意のモデルが各状態と関連付けられている。
  論文  参考訳（メタデータ） (2023-08-02T02:40:42Z)
• Validation and Inference of Agent Based Models [0.0]
  Agent Based Modelling (ABM) は自律エージェントの動作と相互作用をシミュレーションするための計算フレームワークである。 ABCの最近の研究は、近似確率を計算するためのアルゴリズムをますます効率的にしている。 これらをハミルトンCBDの歩行者モデルを用いて検討・比較した。
  論文  参考訳（メタデータ） (2021-07-08T05:53:37Z)
• Model-Invariant State Abstractions for Model-Based Reinforcement Learning [54.616645151708994]
  textitmodel-invarianceという新しいタイプの状態抽象化を紹介します。 これにより、状態変数の見当たらない値の新しい組み合わせへの一般化が可能になる。 このモデル不変状態抽象化を通じて最適なポリシーを学習できることを実証する。
  論文  参考訳（メタデータ） (2021-02-19T10:37:54Z)
• StackGenVis: Alignment of Data, Algorithms, and Models for Stacking Ensemble Learning Using Performance Metrics [4.237343083490243]
  機械学習(ML)では、バッグング、ブースティング、スタックングといったアンサンブル手法が広く確立されている。 StackGenVisは、スタック化された一般化のためのビジュアル分析システムである。
  論文  参考訳（メタデータ） (2020-05-04T15:43:55Z)
• Particle-Gibbs Sampling For Bayesian Feature Allocation Models [77.57285768500225]
  最も広く使われているMCMC戦略は、特徴割り当て行列のギブス更新に頼っている。 単一移動で特徴割り当て行列の全行を更新できるギブスサンプリング器を開発した。 このサンプルは、計算複雑性が特徴数で指数関数的にスケールするにつれて、多数の特徴を持つモデルにとって実用的ではない。 我々は,行ワイズギブズ更新と同じ分布を目標としたパーティクルギブズサンプルの開発を行うが,特徴数でのみ線形に増大する計算複雑性を有する。
  論文  参考訳（メタデータ） (2020-01-25T22:11:51Z)

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。