論文の概要: FLAT: Smoothing the Rugged Landscape for Learnable, Sample-Efficient Traffic Calibration

• arxiv url: http://arxiv.org/abs/2610.04337v1
• Date: Sat, 03 Oct 2026 07:05:28 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:52:45.170348
• Title: FLAT: Smoothing the Rugged Landscape for Learnable, Sample-Efficient Traffic Calibration
• Title（参考訳）: FLAT:学習可能でサンプル効率の良い交通キャリブレーションのための荒れた景観の平滑化
• Abstract要約: FLATを紹介します。次にどの場所をサンプリングするかを最適化します。 8次元の行動指紋はパラメータエラーの風景を滑らかにする。 6つの現実世界のシーンで平均的な行動誤差が最小となる。
• 参考スコア（独自算出の注目度）: 2.638116313344784
• License:
• Abstract: Calibrating microscopic traffic models for digital twins is an expensive black-box optimization problem: tuning car-following and lane-changing parameters requires a full simulation run, affording only a tight budget per recalibration window. Matching raw trajectories yields a rugged objective that sparse surrogates cannot learn, reducing sequential acquisition to near-random probing. We present FLAT, which couples what to optimize with where to sample next. An eight-dimensional behavioral fingerprint smooths the parameter-error landscape, making the objective learnable from a few dozen samples; annealed lower-confidence-bound (LCB) acquisition then spends each remaining run where it most reduces error. The surrogate, interchangeable among a Gaussian process (GP), random forest (RF), or multi-layer-perceptron (MLP) ensemble, plugs into the same LCB loop. Across six heterogeneous real-world scenes, FLAT-GP achieves the lowest scene-averaged behavioral error, winning 6/6 scenes against SPSA, GA, and CMA-ES and 5/6 against TPE under the matched budget. Some baselines need up to 4.4 times more simulations to match. Ablations show objective choice shifts final behavioral error by 81% on average, removing sequential LCB raises the six-scene mean by 20%, and surrogate choice shifts it by at most 4.2%, confirming gains trace to objective geometry and sequential allocation rather than surrogate capacity.
• Abstract（参考訳）: デジタル双生児のための微視的トラフィックモデルの校正は、高価なブラックボックス最適化の問題である。 生の軌跡を一致させることは、スパースサロゲートが学べない厳密な目的をもたらし、シーケンシャルな取得をほぼランダムな探索に還元する。 FLATを紹介します。次にどの場所をサンプリングするかを最適化します。 8次元の行動指紋はパラメータエラーの風景を滑らかにし、数十のサンプルから目的を学習できるようにする。 代理はガウス過程(GP)、ランダム森林(RF)、マルチ層パーセプトロン(MLP)アンサンブルの間で交換可能であり、同じLCBループに差し込む。 6つの異種現実世界のシーンの中で、FLAT-GPは最も低いシーン平均行動誤差を達成し、SPSA、GA、CMA-ESに対して6/6のシーン、TPEに対して5/6のシーンで勝利する。 いくつかのベースラインはマッチする最大4.4倍のシミュレーションを必要とする。 アブレーションは、客観的選択が最終行動誤差を平均で81%シフトし、シーケンシャルCBを除去すると6シーン平均を20%上昇させ、サロゲート選択は少なくとも4.2%シフトし、サロゲート能力よりも客観的な幾何学とシーケンシャルアロケーションに遡るゲインを確認する。

関連論文リスト

• RecGPT-Mobile-V2 Technical Report [22.10290138930905]
  RecGPT-Mobile-V2は、意図的品質と実行効率をステージド設計の目的として扱うエンドツーエンドフレームワークである。 このフレームワークは異種間相互作用をエビデンス保存軌道に変換し、ドメイン適応と教師付きアライメントを通じてレコメンデーションネイティブ基盤を確立する。 オンライン検索分析では、クエリリコールチャネルは、確立されたリコールチャネルによってサーフェスされたインベントリに補完されるインベントリを検索することを示している。
  論文  参考訳（メタデータ） (2026-08-25T09:23:17Z)
• Coupling-Grouped XY-QAOA for Joint Anomaly-Feature Selection [0.0]
  結合群 XY-QAOA は制約付き最適化問題に対する制約保存群付き角変種である。 ハードウェア対応の実装により、回路の深さは45.9%-61.3%、二ビットゲートは2.6%-5.2%減少する。 36-64キュービットにわたって、固定角は、一致したランダム可能なサンプリングよりも低エネルギーで実現可能なサンプルを出力する。
  論文  参考訳（メタデータ） (2026-06-11T11:56:54Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• Greedy Is a Strong Default: Agents as Iterative Optimizers [0.22843885788439797]
  ランダムな提案生成装置をLCMエージェントに置き換え、評価診断を理由として情報付き候補を提案する。 離散的,混合的,連続的な検索空間にまたがる4つのタスクを評価する。
  論文  参考訳（メタデータ） (2026-03-28T21:26:40Z)
• Memory-Guided Trust-Region Bayesian Optimization (MG-TuRBO) for High Dimensions [2.5029761165485827]
  交通シミュレーションとデジタルツインキャリブレーションは、限られた予算で最適化が難しい問題である。 一般的な自動校正法とBOMの適応戦略を比較した。 その結果,MG-TuRBOはシミュレーションキャリブレーションのキャリブレーションのキャリブレーション問題に特に有用であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-25T18:51:33Z)
• Enhancing the Outcome Reward-based RL Training of MLLMs with Self-Consistency Sampling [90.87033586963828]
  マルチモーダル大言語モデル(MLLM)のステップ・バイ・ステップ推論を洗練させる手段としては,アウトカム・リワード強化学習(RL)が一般的であり,ますます重要になっている。 この問題を修正するために,自己整合サンプリング(SCS)を提案する。 Qwen2.5-VL-7B-インストラクトに基づいて、SCSは、無視できる余分な計算を伴う6つのマルチモーダルベンチマークにおいて、最大7.7ポイントの精度を向上する。
  論文  参考訳（メタデータ） (2025-11-13T18:59:57Z)
• From Noisy Traces to Stable Gradients: Bias-Variance Optimized Preference Optimization for Aligning Large Reasoning Models [90.45197506653341]
  大規模推論モデルは最終回答を生成する前に中間的推論トレースを生成する。 LRMと人間の好みの整合性は、モデルデプロイメントにとって重要な前提条件であり、まだ過小評価されていない。 共通の回避策は1つのサンプル軌道を最適化し、トレースサンプリングからかなり勾配のばらつきをもたらす。
  論文  参考訳（メタデータ） (2025-10-06T17:58:01Z)
• KerZOO: Kernel Function Informed Zeroth-Order Optimization for Accurate and Accelerated LLM Fine-Tuning [15.81250204481401]
  本稿では,勾配推定バイアスの軽減を目的としたカーネル関数ベースのZOフレームワークを提案する。 KerZOOは既存のZOベースラインと同等または優れたパフォーマンスを実現している。 本稿では,カーネル関数がZO法における推定バイアスの低減に有効な方法であることを示す。
  論文  参考訳（メタデータ） (2025-05-24T21:56:03Z)
• Fine-Tuning Language Models with Just Forward Passes [92.04219196752007]
  微調整言語モデル(LM)は、様々な下流タスクで成功したが、LMのサイズが大きくなるにつれて、バックプロパゲーションは大量のメモリを必要とする。 本稿では,メモリ効率の高いゼロソーダ(MeZO)を提案する。
  論文  参考訳（メタデータ） (2023-05-27T02:28:10Z)
• Multipoint-BAX: A New Approach for Efficiently Tuning Particle Accelerator Emittance via Virtual Objectives [47.52324722637079]
  マルチポイントクエリにおけるブラックボックス最適化のための情報理論アルゴリズムであるMultipoint-BAXを提案する。 我々はマルチポイントBAXを用いてLinac Coherent Light Source(LCLS)とAdvanced Accelerator Experimental Tests II(FACET-II)の発光を最小化する。
  論文  参考訳（メタデータ） (2022-09-10T04:01:23Z)
• Provable Stochastic Optimization for Global Contrastive Learning: Small Batch Does Not Harm Performance [53.49803579981569]
  各正の対と全ての負の対をアンカーポイントで対比する、コントラスト学習のグローバルな目的を考える。 SimCLRのような既存のメソッドは、十分な結果を得るために大きなバッチサイズを必要とする。 本稿では,SogCLRという表現のグローバルコントラスト学習を解くためのメモリ効率の最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-24T22:16:53Z)

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。