論文の概要: Quantifying and Attributing Submodel Uncertainty in Stochastic Simulation Models and Digital Twins

• arxiv url: http://arxiv.org/abs/2602.16099v1
• Date: Wed, 18 Feb 2026 00:06:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.474201
• Title: Quantifying and Attributing Submodel Uncertainty in Stochastic Simulation Models and Digital Twins
• Title（参考訳）: 確率的シミュレーションモデルとディジタル双対におけるサブモデル不確かさの定量化と寄与
• Authors: Mohammadmahdi Ghasemloo, David J. Eckman, Yaxian Li,
• Abstract要約: 本稿では,サブモデルの不確実性がシステム性能指標の推定に与える影響について検討する。 本研究では,シミュレーションモデルにおけるサブモデル不確実性を定量化するためのフレームワークを開発し,そのフレームワークをデジタルツイン設定に拡張する。
• 参考スコア（独自算出の注目度）: 0.1234398109349733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stochastic simulation is widely used to study complex systems composed of various interconnected subprocesses, such as input processes, routing and control logic, optimization routines, and data-driven decision modules. In practice, these subprocesses may be inherently unknown or too computationally intensive to directly embed in the simulation model. Replacing these elements with estimated or learned approximations introduces a form of epistemic uncertainty that we refer to as submodel uncertainty. This paper investigates how submodel uncertainty affects the estimation of system performance metrics. We develop a framework for quantifying submodel uncertainty in stochastic simulation models and extend the framework to digital-twin settings, where simulation experiments are repeatedly conducted with the model initialized from observed system states. Building on approaches from input uncertainty analysis, we leverage bootstrapping and Bayesian model averaging to construct quantile-based confidence or credible intervals for key performance indicators. We propose a tree-based method that decomposes total output variability and attributes uncertainty to individual submodels in the form of importance scores. The proposed framework is model-agnostic and accommodates both parametric and nonparametric submodels under frequentist and Bayesian modeling paradigms. A synthetic numerical experiment and a more realistic digital-twin simulation of a contact center illustrate the importance of understanding how and how much individual submodels contribute to overall uncertainty.
• Abstract（参考訳）: 確率シミュレーションは、入力プロセス、ルーティングと制御ロジック、最適化ルーチン、データ駆動決定モジュールなど、相互接続された様々なサブプロセスからなる複雑なシステムの研究に広く用いられている。 実際には、これらのサブプロセスは本質的に未知であり、あるいは計算集約的すぎるため、シミュレーションモデルに直接埋め込むことができない。 これらの要素を推定あるいは学習された近似で置き換えることで、私たちがサブモデル不確実性と呼ぶてんかんの不確実性の形式がもたらされる。 本稿では,サブモデルの不確実性がシステム性能指標の推定に与える影響について検討する。 本研究では,確率的シミュレーションモデルにおけるサブモデル不確実性を定量化するためのフレームワークを開発し,そのフレームワークをデジタル双対設定に拡張し,観測されたシステム状態から初期化したモデルを用いてシミュレーション実験を繰り返し実施する。 入力不確実性解析からのアプローチに基づいて、ブートストレッピングとベイズモデル平均化を利用して、重要な性能指標に対する量子的信頼度や信頼区間を構築する。 本稿では,各サブモデルに対する重要度スコアの形で,総出力変動と属性の不確かさを分解する木に基づく手法を提案する。 提案手法は,パラメトリック・非パラメトリック・サブモデルとパラメトリック・サブモデルの両方に対応し,モデルに依存しない。 合成数値実験と接触中心のより現実的なデジタル双対シミュレーションは、個々のサブモデルが全体的な不確実性にどの程度寄与するかを理解することの重要性を示している。

関連論文リスト

• Differentiable Calibration of Inexact Stochastic Simulation Models via Kernel Score Minimization [11.955062839855334]
  そこで本研究では,勾配降下によるカーネルスコア最小化による出力レベルデータを用いて,シミュレーションモデルの異なる入力パラメータを学習する。 モデル不正確性を考慮した新しい正規化結果を用いて,学習した入力パラメータの不確かさを定量化する。
  論文  参考訳（メタデータ） (2024-11-08T04:13:52Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Simultaneous identification of models and parameters of scientific simulators [7.473394133229206]
  本研究は,本質的なモデルコンポーネントを特定するためのシミュレーションベースの推論フレームワークを開発する。 いかなる構成シミュレータにも、評価を必要とせずに適用することができる。 非識別のモデルコンポーネントとパラメータを明らかにします。
  論文  参考訳（メタデータ） (2023-05-24T14:06:02Z)
• 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 Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
  本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。 提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。 提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-04-22T15:15:46Z)
• DISCO: Double Likelihood-free Inference Stochastic Control [29.84276469617019]
  確率自由推論のためのベイズ統計学における現代シミュレータのパワーと最近の技術を活用することを提案する。 シミュレーションパラメータの後方分布は、システムの潜在的非解析モデルによって伝播される。 実験により、制御器の提案により、古典的な制御やロボット工学のタスクにおいて、優れた性能と堅牢性が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-18T05:29:40Z)

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。