論文の概要: Complementary Characterization of Agent-Based Models via Computational Mechanics and Diffusion Models
- arxiv url: http://arxiv.org/abs/2512.04771v1
- Date: Thu, 04 Dec 2025 13:14:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-05 21:11:46.176676
- Title: Complementary Characterization of Agent-Based Models via Computational Mechanics and Diffusion Models
- Title（参考訳）: 計算力学と拡散モデルによるエージェントベースモデルの相補的評価
- Authors: Roberto Garrone,
- Abstract要約: 本稿ではエージェントベースモデル(ABM)の出力を特徴付けるための計算および補完ツールとして拡散モデルを紹介する。
本稿では,2つの手法が異なる数学的領域で動作することを示す公式解析を行う。
これはABM出力の構造解析のためのスコアベース生成モデルと計算力学を統合する最初のフレームワークである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This article extends the preprint "Characterizing Agent-Based Model Dynamics via $ε$-Machines and Kolmogorov-Style Complexity" by introducing diffusion models as orthogonal and complementary tools for characterizing the output of agent-based models (ABMs). Where $ε$-machines capture the predictive temporal structure and intrinsic computation of ABM-generated time series, diffusion models characterize high-dimensional cross-sectional distributions, learn underlying data manifolds, and enable synthetic generation of plausible population-level outcomes. We provide a formal analysis demonstrating that the two approaches operate on distinct mathematical domains -processes vs.\ distributions- and show that their combination yields a two-axis representation of ABM behavior based on temporal organization and distributional geometry. To our knowledge, this is the first framework to integrate computational mechanics with score-based generative modeling for the structural analysis of ABM outputs, thereby situating ABM characterization within the broader landscape of modern machine-learning methods for density estimation and intrinsic computation. The framework is validated using the same elder-caregiver ABM dataset introduced in the companion paper, and we provide precise definitions and propositions formalizing the mathematical complementarity between $ε$-machines and diffusion models. This establishes a principled methodology for jointly analyzing temporal predictability and high-dimensional distributional structure in complex simulation models.
- Abstract（参考訳）: 本稿では,エージェントベースモデル(ABM)の出力を特徴付けるための直交的および相補的ツールとして拡散モデルを導入することにより,ε$-Machines と Kolmogorov-Style Complexity によるエージェントベースモデルダイナミクスを事前版に拡張する。
ε$-machines が ABM 生成時系列の予測時間構造と本質的な計算を捉える場合、拡散モデルは高次元の断面分布を特徴づけ、基礎となるデータ多様体を学習し、可塑性な集団レベルの結果の合成を可能にする。
2つのアプローチが異なる数学的領域(プロセス vs プロセス)で動作することを示す公式な解析結果を提供する。
\分布とそれらの組み合わせは、時間的構造と分布幾何学に基づくABMの挙動の2軸表現をもたらすことを示す。
我々の知る限り、これはABM出力の構造解析のためのスコアベース生成モデルと計算力学を統合する最初のフレームワークであり、その結果、密度推定と本質的な計算のための現代の機械学習手法の広い視野に、AMM特性を集中させる。
本フレームワークは,同論文で紹介した高齢介護者ABMデータセットを用いて検証し,ε$-machinesと拡散モデルとの数学的相補性を形式化した正確な定義と提案を行う。
これは、複雑なシミュレーションモデルにおいて、時間的予測可能性と高次元分布構造を共同で解析するための原則的方法論を確立する。
関連論文リスト
- Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。
我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
論文 参考訳（メタデータ） (2025-08-18T20:44:32Z) - Learning Individual Behavior in Agent-Based Models with Graph Diffusion Networks [2.749593964424624]
エージェントベースモデル(ABM)は、複雑なシステムの創発的特性を研究するための強力なツールである。
生成したデータを観測することで,任意のABMの識別可能なサロゲートを学習するための新しいフレームワークを提案する。
本手法は,拡散モデルとグラフニューラルネットワークを組み合わせ,エージェントの相互作用をモデル化する。
論文 参考訳（メタデータ） (2025-05-27T16:55:56Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Data-driven Control of Agent-based Models: an Equation/Variable-free
Machine Learning Approach [0.0]
複雑/マルチスケールシステムの集合力学を制御するための方程式/変数自由機械学習(EVFML)フレームワークを提案する。
提案手法は3段階からなる: (A) 高次元エージェントベースシミュレーション、機械学習(特に非線形多様体学習(DM))
創発力学の数値分岐解析を行うために方程式のない手法を用いる。
我々は,エージェントをベースとしたシミュレータを本質的で不正確に知られ,創発的なオープンループ定常状態に駆動する,データ駆動型組込み洗浄制御器を設計する。
論文 参考訳（メタデータ） (2022-07-12T18:16:22Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Deep neural network enabled corrective source term approach to hybrid
analysis and modeling [0.0]
ハイブリッド分析モデリング(Hybrid Analysis and Modeling, HAM)は、物理に基づくモデリングとデータ駆動モデリングを組み合わせることを目的とした、新しいモデリングパラダイムである。
補正元項アプローチ(CoSTA)のHAMに対する新しいアプローチを導入し、正当化し、実証する。
論文 参考訳（メタデータ） (2021-05-24T20:17:13Z)
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。