論文の概要: A differentiable model of supply-chain shocks
- arxiv url: http://arxiv.org/abs/2511.05231v1
- Date: Fri, 07 Nov 2025 13:27:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-10 21:00:44.77275
- Title: A differentiable model of supply-chain shocks
- Title（参考訳）: サプライチェーンショックの微分モデル
- Authors: Saad Hamid, José Moran, Luca Mungo, Arnau Quera-Bofarull, Sebastian Towers,
- Abstract要約: 供給ネットワークのAPMを校正する際,3桁以上の速度アップを達成可能であることを示す。
これにより、グローバルサプライネットワーク全体をモデル化するために、ABMをスケールする扉が開きます。
- 参考スコア（独自算出の注目度）: 0.255541359970537
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modelling how shocks propagate in supply chains is an increasingly important challenge in economics. Its relevance has been highlighted in recent years by events such as Covid-19 and the Russian invasion of Ukraine. Agent-based models (ABMs) are a promising approach for this problem. However, calibrating them is hard. We show empirically that it is possible to achieve speed ups of over 3 orders of magnitude when calibrating ABMs of supply networks by running them on GPUs and using automatic differentiation, compared to non-differentiable baselines. This opens the door to scaling ABMs to model the whole global supply network.
- Abstract（参考訳）: サプライチェーンにおけるショックの伝播をモデル化することは、経済学においてますます重要な課題となっている。
その関連性は近年、コビデウイルスやロシアによるウクライナ侵攻などによって強調されている。
エージェントベースモデル(ABM)はこの問題に対して有望なアプローチである。
しかし、校正は難しい。
我々は、GPU上で動作し、非微分可能なベースラインと比較して自動微分を用いることで、サプライネットワークのAPMを校正する際に、3桁以上のスピードアップを達成できることを実証的に示す。
これにより、グローバルサプライネットワーク全体をモデル化するために、ABMをスケールする扉が開きます。
関連論文リスト
- Decentralized Diffusion Models [53.89995588977048]
大規模なAIモデルトレーニングでは、数千のGPU間で作業が分割され、各ステップでグラデーションが同期される。
これにより、集中型のモノリシッククラスタしかサポートできない、ネットワークの重大な負担が発生する。
独立クラスタ間で拡散モデルのトレーニングを分散するスケーラブルなフレームワークである分散拡散モデルを提案する。
論文 参考訳（メタデータ） (2025-01-09T18:59:56Z) - Frugal day-ahead forecasting of multiple local electricity loads by
aggregating adaptive models [0.0]
フランスにおける配電網の変電所の日頭電力負荷予測に着目する。
そこで我々は,パラメータの数を削減し,伝達学習を実現するフラジカル変種を開発した。
私たちは、運用アプリケーションにとって重要なモデルの解釈可能性を強調します。
論文 参考訳（メタデータ） (2023-02-16T10:17:19Z) - A Generative Approach for Production-Aware Industrial Network Traffic
Modeling [70.46446906513677]
ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。
我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。
可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
論文 参考訳（メタデータ） (2022-11-11T09:46:58Z) - Can Push-forward Generative Models Fit Multimodal Distributions? [3.8615905456206256]
生成ネットワークのリプシッツ定数はマルチモーダル分布に適合するために大きくなければならないことを示す。
本研究では,1次元および画像のデータセットを用いて,各ステップで入力されたスタックネットワークからなる生成モデルがそのような制約を負わないことを実証的に検証した。
論文 参考訳（メタデータ） (2022-06-29T09:03:30Z) - Gating Dropout: Communication-efficient Regularization for Sparsely
Activated Transformers [78.77361169167149]
本稿では,トークンがゲーティングネットワークを無視してローカルマシンに留まることを可能にするEmphGating Dropoutを提案する。
従来のドロップアウトと同様に、Gating Dropoutはトレーニング中に正規化効果があり、その結果、一般化性能が向上することを示す。
論文 参考訳（メタデータ） (2022-05-28T05:12:43Z) - Switching Recurrent Kalman Networks [19.262453343037116]
本稿では,非線形およびマルチモーダル時系列データに対する効率的な推測と予測のためのスイッチング・リカレント・カルマン・ネットワーク(SRKN)を提案する。
我々は、ポルト市内のタクシーから得られたおもちゃのデータセットと実際の運転データに基づいて、その結果のスケーラブルで解釈可能なディープステートスペースモデルを実証的にテストする。
論文 参考訳（メタデータ） (2021-11-16T08:31:25Z) - Exploring Sparse Expert Models and Beyond [51.90860155810848]
Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。
本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。
この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
論文 参考訳（メタデータ） (2021-05-31T16:12:44Z)
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。