論文の概要: Neural Parameter Calibration for Finite-State Mean Field Games

• arxiv url: http://arxiv.org/abs/2606.23155v1
• Date: Mon, 22 Jun 2026 11:00:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 23:42:33.681638
• Title: Neural Parameter Calibration for Finite-State Mean Field Games
• Title（参考訳）: 有限状態平均場ゲームのためのニューラルパラメータ校正
• Authors: Anna C. M. Thöni, Grégoire Lambrecht, Gökçe Dayanıklı, Yonathan Efroni, Tal Kachman, Mathieu Laurière,
• Abstract要約: 平均場ゲーム(MFG)は、戦略エージェントの多数を効率的に近似する。 MFGは、理論上、直接観察されることがほとんどない隠れた嗜好、制約、相互作用を含むことが多い。 本稿では,人口動態からパラメトリック有限状態MFGを学習するためのニューラルネットワークベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.904621540380097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mean field games efficiently approximate a very large population of strategic agents. While these games can aid the understanding of complex systems, their deployment in real-world settings is challenged by the specification of their parameters: mean field games (MFGs) often involve hidden preferences, constraints, and interactions that can rarely be theoretically derived or directly observed. To address this gap, we present a neural network-based framework for learning parametric, finite-state MFGs from observed population dynamics. To do so, we formulate the parameter calibration as an inverse problem and use implicit differentiation to backpropagate through the games' equilibrium. The resulting approach is fully differentiable and enables us to estimate flexible trajectory-wise parameter paths, including state- and time-dependent specifications without requiring observations of the individual agents' actions or rewards. We provide a proof for the exactness of the gradient computation in a discrete-time formulation. We validate our framework through numerical experiments across four systems of increasing complexity, ranging from synthetic linear-quadratic benchmarks to real-world urban mobility datasets.
• Abstract（参考訳）: 平均フィールドゲームは、非常に多くの戦略エージェントを効率的に近似する。 これらのゲームは複雑なシステムを理解するのに役立つが、現実の設定への展開はパラメーターの仕様によって困難である:平均フィールドゲーム(MFG)は、理論的に導き出されたり直接観察されることが滅多にない、隠れた好み、制約、相互作用を含むことが多い。 このギャップに対処するために、観測された人口動態からパラメトリック有限状態MFGを学習するためのニューラルネットワークベースのフレームワークを提案する。 そのため、パラメータのキャリブレーションを逆問題として定式化し、暗黙の微分を用いてゲームの平衡をバックプロパゲートする。 得られたアプローチは、完全に微分可能であり、個々のエージェントの行動や報酬の観察を必要とせずに、状態や時間に依存した仕様を含む柔軟な軌跡のパラメータパスを推定することができる。 離散時間定式化における勾配計算の正確性を証明する。 我々は,合成線形四元数ベンチマークから実世界の都市移動データセットまで,複雑さを増大させる4つのシステムに関する数値実験を通じて,我々の枠組みを検証する。

関連論文リスト

• Hierarchical Inference and Closure Learning via Adaptive Surrogates for ODEs and PDEs [15.38864225184245]
  逆問題は、データに合うようにモデルを校正するタスクである。 我々は、異なるが関連する物理システムのコレクションからのデータを活用するための原則的方法論を開発する。 我々は、MLベースのクロージャモデルという形で、共有未知のダイナミクスを学習する。
  論文  参考訳（メタデータ） (2026-03-04T10:30:08Z)
• Profiling systematic uncertainties in Simulation-Based Inference with Factorizable Normalizing Flows [0.0]
  そこで本研究では,ニュアンスパラメータを効率的にプロファイリングするシミュレーションベース推論の汎用フレームワークを提案する。 本稿では,分類可能な正規化フローを導入し,体系的な変動を名目密度のパラメトリックとしてモデル化する。 我々は,単一最適化プロセスにおけるニュアンスパラメータに対するDoIの条件依存を学習する償却訓練戦略を開発する。 これにより、基礎となる分布の同時抽出とニュアンセの堅牢なプロファイリングが可能となる。
  論文  参考訳（メタデータ） (2026-02-13T18:48:12Z)
• Training-free score-based diffusion for parameter-dependent stochastic dynamical systems [2.4755898204110642]
  パラメータ依存SDEのフローマップを学習するための学習自由条件拡散モデルフレームワークを提案する。 共同カーネル重み付きモンテカルロ推定器は、離散パラメータ値でサンプリングされた軌道データを用いて条件スコア関数を近似する。 生成された生成モデルは、トレーニング範囲内の任意のパラメータ値に対するサンプル軌跡を、再学習せずに生成する。
  論文  参考訳（メタデータ） (2026-02-02T13:54:36Z)
• Data-driven stochastic reduced-order modeling of parametrized dynamical systems [3.5684665108045377]
  パラメータ空間と強制条件をまたいで一般化する連続時間ROMを学習するためのデータ駆動型フレームワークを提案する。 パラメータの組み合わせと強制を未確認で組み合わせることに優れた一般化を示し、既存の手法と比較して大きな効率向上を示した。
  論文  参考訳（メタデータ） (2026-01-15T18:50:18Z)
• Conditioning on PDE Parameters to Generalise Deep Learning Emulation of Stochastic and Chaotic Dynamics [0.1753733541634709]
  基礎となる偏微分方程式(Ps)のパラメータ値に基づくカオス的・時間的システムのための深層学習エミュレータを提案する。 我々のアプローチでは、モデルを単一のパラメータ領域で事前トレーニングし、続いて、より小さいが多様なデータセットを微調整することで、幅広いパラメータ値の一般化を可能にします。 これにより、より小さなドメインに対して、より大規模なドメインサイズに一般化する方法を学ぶために、小さなデータセットのみを必要としながら、計算的に効率的な事前トレーニングが可能になる。
  論文  参考訳（メタデータ） (2025-09-11T16:37:45Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)

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。