論文の概要: Machine learning-assisted calibration of Agent-based Models: surrogate-based optimization with Genetic Algorithm and Particle Swarm Optimization

• arxiv url: http://arxiv.org/abs/2609.13247v1
• Date: Fri, 04 Sep 2026 13:09:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 16:32:15.670218
• Title: Machine learning-assisted calibration of Agent-based Models: surrogate-based optimization with Genetic Algorithm and Particle Swarm Optimization
• Title（参考訳）: エージェントベースモデルの機械学習による校正:遺伝的アルゴリズムと粒子群最適化を用いた代理ベース最適化
• Abstract要約: エージェントベースモデルの校正は、その客観的な景観が頑丈であり、ブラックボックスシミュレーションでは評価できないため困難である。 本研究は,内ループサロゲートを用いた進化計算を機械学習サロゲートを埋め込むことによりABMキャリブレーションに適用する。
• 参考スコア（独自算出の注目度）: 2.3388338598125196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Calibrating an agent-based model (ABM) is difficult because its objective landscape is stochastic and rugged, and can be evaluated only through costly black-box simulations. This study adapts inner-loop surrogate-assisted evolutionary computation (SAEC) to ABM calibration by embedding a machine-learning surrogate within genetic algorithm (GA) and particle swarm optimisation (PSO). At each iteration, the surrogate screens the candidates and the simulator validates only the top 50%, reducing simulation demand while correcting surrogate errors. We evaluate a full factorial of 48 configurations combining two optimisers, five surrogates, and four calibration objectives on two contrasting ABMs, the Brock-Hommes asset-pricing model and the Island growth model. Parameter recovery is measured against pseudo-true values. Relative to the strongest pure-optimiser baseline, the best ML-assisted configurations reduce RMSE by 20.0% on Brock-Hommes and 63.8% on Island, while reducing computation time by 32.1% and 61.1%, respectively. ANOVA with Dunnett's post-hoc tests confirms significant time savings for every surrogate under both Brock-Hommes optimisers and under GA on Island. No surrogate differs significantly from the pure-optimiser baseline in parameter-recovery accuracy on Island; the reported accuracy gains are therefore best-configuration outcomes rather than average effects resolved at this sample size. The best surrogate-optimiser-objective combination changes with ABM complexity, indicating that surrogate-assisted calibration depends on the model and does not admit a universal default recipe.
• Abstract（参考訳）: エージェントベースモデル (ABM) のキャリブレーションは, 対象景観が確率的かつ頑丈であり, コストのかかるブラックボックスシミュレーションでのみ評価できるため, 困難である。 本研究では、遺伝的アルゴリズム(GA)と粒子群最適化(PSO)に機械学習サロゲートを組み込むことにより、内ループサロゲート支援進化計算(SAEC)をABMキャリブレーションに適用する。 各イテレーションにおいて、サロゲートは候補をスクリーニングし、シミュレータは上位50%のみを検証し、サロゲートエラーを修正しながらシミュレーション要求を減らす。 2つのオプティマイザ、5つのサロゲート、4つのキャリブレーション目標、ブロック・ホムズ・アセット・プライシングモデルとアイランド成長モデルを組み合わせた48のフルファクターを評価する。 パラメータ回復は擬似真理値に対して測定される。 最強の純最適化ベースラインとは対照的に、最高のMLアシスト構成はブロックホムズではRMSEを20.0%、アイランドでは63.8%削減し、計算時間を32.1%、61.1%削減した。 ダネットのポストホックテストによるANOVAは、ブロック・ホムズ・オプティマイザーと島でのGAの下での全てのサロゲートの大幅な時間節約を確認している。 島のパラメータ復元精度は純最適基準線と大きく異なり, 報告された精度向上は, このサンプルサイズで解決された平均効果よりも, 最適構成結果である。 最高のサロゲート・オプティマイザ・オブジェクティブの組み合わせは、APMの複雑さとともに変化し、サロゲート・アシスト・キャリブレーションがモデルに依存し、普遍的なデフォルトのレシピを認めないことを示す。

関連論文リスト

• Reliability-Aware Hybrid-K Ensemble Selection for Cervical Cytology Classification: Integrating Discrimination, Calibration, and Selective Prediction [3.093890460224435]
  本研究では,マルチクラス頚椎分類のための信頼性を考慮したハイブリッド-Kアンサンブル選択フレームワークを提案する。 9つのディープラーニングアーキテクチャを,固定成層5倍分割と3つの訓練種子を用いて評価した。 Swin-TinyとTinyViT-5Mからなる最後のハイブリッド2アンサンブルは、AURCを43%減らし、NLLを17%減らし、WC-ECEを36%減らした。
  論文  参考訳（メタデータ） (2026-09-01T02:30:41Z)
• ISO: An RLVR-Native Optimization Stack [50.40395312897848]
  アイソスペクトル最適化(ISO)としてスペクトル継承を運用する オフラインでは、ISO-Mergerは共有ベーススペシャリストのフレーム変更を単一の固定スペクトルモデルに統合する。 オンラインのISO-Mergerは、AdamWやMuonを含む選択されたベースをフレーム変数に適用し、ベーススペクトルを固定する。
  論文  参考訳（メタデータ） (2026-07-21T17:51:36Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Correctness-Optimized Residual Activation Lens (CORAL): Transferrable and Calibration-Aware Inference-Time Steering [3.7758197704962835]
  重み付きデカイプローブを用いて、モデル内部のアクティベーションから正当性信号を捕捉する正規化時間ステアリング法であるCORALを導入する。 コラルは、常に精度を10%改善し、期待キャリブレーション誤差(ECE)を平均50%改善する。 本結果は,個々のニューロンが不十分な場合,正規化プローブを用いてモデル内部の分散情報を抽出できるという仮説を支持する。
  論文  参考訳（メタデータ） (2026-02-05T18:55:56Z)
• Calibrating Agent-Based Financial Markets Simulators with Pretrainable Automatic Posterior Transformation-Based Surrogates [5.002657036975061]
  エージェントベースモデル(ABM)は複雑な社会システムをシミュレーションするための重要な最適化問題である。 目的は、シミュレーションデータと実世界の観測との差を最小限に抑えて、与えられたABMの最適パラメータを特定することである。 既存の手法では,1) ABMの非線形だがマルチモーダルな性質のため,元の評価関数のサロゲートは困難であり,2) 一般的なサロゲートは複数のキャリブレーションタスク間で最適化経験を共有できない。 本研究は、負相関探索と適応信頼回帰を用いた自動後部変換を提案する。
  論文  参考訳（メタデータ） (2026-01-11T14:05:26Z)
• Soil Compaction Parameters Prediction Based on Automated Machine Learning Approach [0.0]
  本研究では,最適水分量(OMC)と最大乾燥密度(MDD)を予測する自動機械学習(AutoML)手法を提案する。 この研究により、XGBoost(Extreme Gradient Boosting)アルゴリズムは最高の性能を示し、MDDは80.4%、OCCは89.1%のR2乗値を得た。
  論文  参考訳（メタデータ） (2025-12-09T08:13:04Z)
• Beyond Outliers: A Study of Optimizers Under Quantization [82.75879062804955]
  量子化下でのモデルロバスト性に対する選択の影響について検討する。 モデルの性能が、異なるベースラインでトレーニングした場合にどのように低下するかを評価する。 異なるパラメータによる量子化対応トレーニングのスケーリング法則を導出する。
  論文  参考訳（メタデータ） (2025-09-27T21:15:22Z)
• Fantastic Pretraining Optimizers and Where to Find Them [59.56075036649332]
  AdamWは長い間、言語モデルの事前訓練において支配的な勾配だった。 行列ベースの行列の高速化はモデルスケールに逆比例する。
  論文  参考訳（メタデータ） (2025-09-02T07:43:22Z)
• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)

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。