論文の概要: Sensitivity Analysis of Decision Rules in an Agent-Based Agro-Ecological Model

• arxiv url: http://arxiv.org/abs/2610.22420v1
• Date: Thu, 15 Oct 2026 02:27:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.583054
• Title: Sensitivity Analysis of Decision Rules in an Agent-Based Agro-Ecological Model
• Title（参考訳）: エージェントに基づく農業生態モデルにおける決定規則の感度解析
• Abstract要約: エージェントベースのモデルは、意思決定のための農業生態システムをモデル化するのに適している。 窒素溶出,土壌有機炭素の変動,収量予測などのシミュレーション結果に適用することで,解釈可能な,意思決定指向の読み出しを実現する方法を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agent-based models are well-suited for modelling agro-ecological systems for decision-making, yet turning their simulations into actionable insight requires identifying which decisions actually drive the behaviours. In such a context, sensitivity analysis stumbles upon a structural feature of many complex systems: the parameters are not a flat vector but a decision tree in which many parameters appear only when a higher-level choice activates them. Classical global sensitivity analysis presupposes independent inputs over a fixed Cartesian product and is ill-posed on such a branched space and biased by construction. We instead treat the structure of the decisions as a first-class modelling object. Using advanced surrogate modelling techniques, we encode the crop-management itinerary of the high-resolution agro-ecological modelling platform MAELIA as a hierarchical design space featuring both categorical and numerical variables. We propose a novel dedicated method to analyse this kind of hierarchical space, a random-forest-supervised HSIC-ANOVA, which ranks main effects and interactions natively on the tree while placing rarely and always active decisions on an equal footing. We show how, when applied to simulation outputs such as nitrogen leaching, soil organic carbon variation, and yield predictions, it can deliver an interpretable, decision-oriented reading.
• Abstract（参考訳）: エージェントベースのモデルは、意思決定のためにアグロエコロジーシステムをモデル化するのに適しているが、シミュレーションを実行可能な洞察に変えるには、どの決定が実際に行動を動かすかを特定する必要がある。 このような文脈において、感度解析は、多くの複雑なシステムの構造的特徴に突き当たる:パラメータは平坦なベクトルではなく、高レベルの選択が活性化されたときにのみ多くのパラメータが現れる決定木である。 古典的大域的感度解析は、固定されたカルテシア積上の独立な入力を前提としており、そのような分岐空間に悪影響を及ぼし、建設に偏っている。 代わりに、決定の構造を第一級モデリングオブジェクトとして扱います。 先進的なサロゲートモデリング技術を用いて,高分解能農業・生態系モデルプラットフォームMAELIAの作物管理イテナリーを,カテゴリー変数と数値変数の両方を特徴とする階層設計空間として符号化する。 本研究では,このような階層空間をランダムに制御したHSIC-ANOVAを用いて解析する手法を提案する。 窒素溶出,土壌有機炭素の変動,収量予測などのシミュレーション結果に適用することで,解釈可能な,意思決定指向の読み出しを実現する方法を示す。

関連論文リスト

• On the Structural Limits of Machine Learning Decision Systems: An Information-Theoretic, Interaction-Based, and Stochastic-Dynamical Perspective [0.0]
  本研究では、情報理論と相互作用に基づく視点から、データ駆動型意思決定システムの本質的な限界について検討する。 ファノ型境界による分類における最小到達誤差とクラメロ・ラオ不等式によるパラメトリック推定における精度限界を解析した。
  論文  参考訳（メタデータ） (2026-08-13T17:34:41Z)
• Model Validation of Agentic AI Systems: A POMDP-Based Framework for Belief-State, Forecast, and Policy Validation [0.0]
  本稿では,部分観測可能なマルコフ決定プロセス(POMDP)に基づくエージェントAIのモデル検証フレームワークを提案する。 このフレームワークは、自律的な意思決定を情報、信念、予測、行動、ユーティリティに分解し、各コンポーネントを独立して検証できるようにする。 この論文の主な貢献は、確立されたモデルリスク管理概念を自律型AIシステムに拡張するための実践的なフレームワークである。
  論文  参考訳（メタデータ） (2026-06-16T00:40:55Z)
• Agentic Performance at the Edge: Insights from Benchmarking [13.571477369653143]
  モデルのサイズがメモリ、電力、レイテンシの予算によって制限されている場合、エージェントタスクの品質がどれだけ失われるかを調査する。 私たちの中核的な発見は、エッジエージェントの品質はパラメータカウントの単純な機能ではないということです。ロバストなデプロイメントは、モデル選択とツールワークフローの共同設計に依存します。
  論文  参考訳（メタデータ） (2026-05-11T11:24:20Z)
• Position: Safety and Fairness in Agentic AI Depend on Interaction Topology, Not on Model Scale or Alignment [1.8124703841795666]
  エージェントAIでは、安全性はモデルウェイトではなく相互作用トポロジーによって決定される。 より有能なモデルへのスケーリングは、コンセンサスの形成を増やすことでこれらの効果を強化する。 エージェントAIは、整列したコンポーネントの集合ではなく、動的システムとして扱われなければならない、と我々は主張する。
  論文  参考訳（メタデータ） (2026-05-01T22:49:10Z)
• DeforestVis: Behavior Analysis of Machine Learning Models with Surrogate Decision Stumps [46.58231605323107]
  複雑なMLモデルの振る舞いを要約する視覚解析ツールであるDeforestVisを提案する。 DeforestVisは、より多くの切り株をインクリメンタルに生成することで、複雑さとフィデリティのトレードオフを探索するのに役立つ。 DeforestVisの適用性と有用性について,2つのユースケースと,データアナリストとモデル開発者とのエキスパートインタビューで紹介する。
  論文  参考訳（メタデータ） (2023-03-31T21:17:15Z)
• Attitudes and Latent Class Choice Models using Machine learning [0.0]
  LCCM (Latent Class Choice Models) の仕様において, 位置インジケータを効率的に組み込む手法を提案する。 この定式化は、位置指標と決定選択との関係を探索する能力において構造方程式を克服する。 我々は,デンマークのコペンハーゲンから,カーシェアリング(Car-Sharing, CS)サービスサブスクリプションの選択を推定するためのフレームワークをテストした。
  論文  参考訳（メタデータ） (2023-02-20T10:03:01Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)

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。