論文の概要: From Model-Based Screening to Data-Driven Surrogates: A Multi-Stage Workflow for Exploring Stochastic Agent-Based Models

• arxiv url: http://arxiv.org/abs/2604.03350v1
• Date: Fri, 03 Apr 2026 15:32:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.533733
• Title: From Model-Based Screening to Data-Driven Surrogates: A Multi-Stage Workflow for Exploring Stochastic Agent-Based Models
• Title（参考訳）: モデルベーススクリーニングからデータ駆動サロゲート:確率的エージェントベースモデルを探索するための多段階ワークフロー
• Authors: Paul Saves, Matthieu Mastio, Nicolas Verstaevel, Benoit Gaudou,
• Abstract要約: エージェントベースモデル(ABM)の体系的な探索は、次元の呪いとその固有の性質によって挑戦される。 本稿では,機械学習サロゲートを用いた実験の体系的設計を統合する多段階パイプラインを提案する。 この研究は、高次元シミュレータを扱う場合であっても、感度分析とポリシーテストのための厳密なハンズ・オフ・フレームワークをモデラーに提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Systematic exploration of Agent-Based Models (ABMs) is challenged by the curse of dimensionality and their inherent stochasticity. We present a multi-stage pipeline integrating the systematic design of experiments with machine learning surrogates. Using a predator-prey case study, our methodology proceeds in two steps. First, an automated model-based screening identifies dominant variables, assesses outcome variability, and segments the parameter space. Second, we train Machine Learning models to map the remaining nonlinear interaction effects. This approach automates the discovery of unstable regions where system outcomes are highly dependent on nonlinear interactions between many variables. Thus, this work provides modelers with a rigorous, hands-off framework for sensitivity analysis and policy testing, even when dealing with high-dimensional stochastic simulators.
• Abstract（参考訳）: エージェントベースモデル(ABM)の体系的な探索は、次元の呪いとその固有の確率性によって挑戦される。 本稿では,機械学習サロゲートを用いた実験の体系的設計を統合する多段階パイプラインを提案する。 捕食者・捕食者のケーススタディを用いて, 方法論を2段階に進める。 まず、自動モデルベーススクリーニングが支配変数を特定し、結果の変動を評価し、パラメータ空間をセグメント化する。 次に、残りの非線形相互作用効果をマッピングするために機械学習モデルを訓練する。 このアプローチは、システム成果が多くの変数間の非線形相互作用に大きく依存する不安定な領域の発見を自動化する。 この研究は、高次元確率シミュレータを扱う場合であっても、感度分析とポリシーテストのための厳密なハンズ・オフ・フレームワークをモデラーに提供する。

関連論文リスト

• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Tasks Makyth Models: Machine Learning Assisted Surrogates for Tipping Points [0.0]
  本稿では,複雑なシステムの創発的挙動におけるヒント点を検出するための機械学習支援フレームワークを提案する。 我々は、異なるスケールで創発的ダイナミクスのための縮小次モデルを構築した。 異なるモデルの使用と、それらを学ぶための努力とは対照的です。
  論文  参考訳（メタデータ） (2023-09-25T17:58:23Z)
• Meta-models for transfer learning in source localisation [3.8922067105369154]
  この研究は、(メタモデルとして)AE実験間の相互依存性を捉えることを目的としている。 ハイレベルなメタモデルがタスク間関係をキャプチャするベイズ的マルチレベルアプローチを利用する。 主要な貢献は、実験的なキャンペーンの知識をタスクとタスクの間でエンコードする方法である。
  論文  参考訳（メタデータ） (2023-05-15T14:02:35Z)
• 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)
• An ensemble Multi-Agent System for non-linear classification [0.0]
  smapyは、移動予測のためのアンサンブルベースのAMAS実装である。 ベンチマークトランスポートモード検出データセットの非線形分類に線形モデルを用いることが可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-14T08:22:11Z)
• 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)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)

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。