論文の概要: Extending Causal Metamodeling to a non-Markovian Queue
- arxiv url: http://arxiv.org/abs/2606.00795v1
- Date: Sat, 30 May 2026 16:21:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.778398
- Title: Extending Causal Metamodeling to a non-Markovian Queue
- Title（参考訳）: 非マルコフキューへの因果メタモデリングの拡張
- Abstract要約: 離散イベントシミュレーションのメタモデルは、高価なシミュレーションを実行せずにシミュレーションモデルの挙動を近似する。
本稿では,非指数分布を近似することにより,MDBNを非マルコフキューに拡張する。
我々はこれらの課題に対する予備的な解決策を提供し、非マルコフ系に対する最初の因果メタモデリング技術をもたらす。
- 参考スコア（独自算出の注目度）: 0.038887448816036306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Metamodels for discrete-event simulations approximate the behavior of simulation models without running expensive simulations. Prior work introduced modular dynamic Bayesian networks (MDBNs) -- a class of metamodels that can estimate a range of probabilistic and causal queries (PCQs) using a single, trained model -- but the method was limited to Markovian systems. In this paper, we initiate an extension of MDBNs to non-Markovian queues by approximating non-exponential distributions using phase-type distributions. This approach raises novel challenges, including balancing metamodeling accuracy and tractability when choosing the number of phases, efficiently learning metamodel parameters, and choosing the sampling interval that is used to approximate a continuous-time simulation by a discrete-time MDBN. We provide preliminary solutions to these challenges, yielding the first causal metamodeling technique for non-Markovian systems. Experiments on a G/M/1 queue demonstrate that the MDBN can produce accurate answers to PCQs with orders-of-magnitude speedup of inference times relative to direct simulation.
- Abstract（参考訳）: 離散イベントシミュレーションのメタモデルは、高価なシミュレーションを実行せずにシミュレーションモデルの挙動を近似する。
以前の作業では、モジュール型動的ベイズネットワーク (MDBN) - 単一のトレーニングされたモデルを使用して、確率的および因果的クエリ(PCQ)の範囲を推定できるメタモデルのクラス - を導入していたが、方法はマルコフシステムに限られていた。
本稿では,位相型分布を用いて非指数分布を近似することにより,MDBNを非マルコフキューに拡張する。
このアプローチは、位相数を選択する際のメタモデリング精度とトラクタビリティのバランス、メタモデルパラメータの効率的な学習、離散時間MDBNによる連続時間シミュレーションの近似に使用されるサンプリング間隔の選択など、新しい課題を提起する。
我々はこれらの課題に対する予備的な解決策を提供し、非マルコフ系に対する最初の因果メタモデリング技術を得る。
G/M/1キューの実験により、MDBNは直接シミュレーションと比較して推定時間のオーダー・オブ・マグニチュード・スピードアップでPCQに対する正確な回答を得られることを示した。
関連論文リスト
- Quantifying and Attributing Submodel Uncertainty in Stochastic Simulation Models and Digital Twins [0.1234398109349733]
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。
論文 参考訳（メタデータ） (2026-02-18T00:06:39Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。
本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-03-04T17:46:51Z) - 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) - Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models [26.178192913986344]
本研究では,拡散確率モデル(DDPM)を用いて乱流シミュレーションのための不確実性を考慮した代理モデルの訓練を行う。
その結果、DDPMは解全体の分布を正確に把握し、その結果、シミュレーションの不確かさを正確に推定できることがわかった。
また,正規拡散モデルと比較して,新たな生成モデルであるフローマッチングの評価を行った。
論文 参考訳（メタデータ） (2023-12-08T19:04:17Z) - Learning to Simulate: Generative Metamodeling via Quantile Regression [2.0613075946076904]
従来のメタモデリング技術は、シミュレータ入力と単一出力要約統計量の間の関係を学習する。
生成メタモデリングという新しい概念を提案する。
生成メタモデルは、入力仕様に基づいて多数のランダム出力を高速に生成することができる。
論文 参考訳（メタデータ） (2023-11-29T16:46:24Z) - Learning non-Markovian Decision-Making from State-only Sequences [57.20193609153983]
非マルコフ決定過程(nMDP)を用いた状態のみ列のモデルに基づく模倣を開発する。
非マルコフ制約をもつ経路計画課題において提案手法の有効性を示す。
論文 参考訳（メタデータ） (2023-06-27T02:26:01Z) - Formal Controller Synthesis for Markov Jump Linear Systems with
Uncertain Dynamics [64.72260320446158]
マルコフジャンプ線形系に対する制御器の合成法を提案する。
本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。
本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
論文 参考訳（メタデータ） (2022-12-01T17:36:30Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - Community Detection in the Stochastic Block Model by Mixed Integer
Programming [3.8073142980733]
Degree-Corrected Block Model (DCSBM) は、コミュニティ構造を持つランダムグラフを生成する一般的なモデルである。
DCSBMに基づくコミュニティ検出の標準的なアプローチは、最大推定(MLE)により観測されたネットワークデータを生成する可能性が最も高いモデルパラメータを探索することである。
本稿では,モデルパラメータと最大確率のコミュニティ割当を観測グラフから確実に求める数学的計画式と厳密解法を提案する。
論文 参考訳（メタデータ） (2021-01-26T22:04:40Z) - Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。
提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
論文 参考訳（メタデータ） (2020-09-29T15:00:47Z)
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。