論文の概要: Amortized Optimization for Calibrating Stochastic Social Simulators

• arxiv url: http://arxiv.org/abs/2611.06623v2
• Date: Thu, 05 Nov 2026 04:33:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.408205
• Title: Amortized Optimization for Calibrating Stochastic Social Simulators
• Title（参考訳）: 確率型社会シミュレータの補正最適化
• Abstract要約: シミュレータは複雑なシステムで観測された振る舞いを再現するのに適切なパラメータ値が必要です。 本研究では,事前に収集したシミュレーションを用いて,シミュレーション結果と観測結果とを一致させるパラメータの選択方法を学ぶ。 一度装着すると、さらなるシミュレーターコールなしで、新しい観測結果を実現可能なパラメータにマッピングする。
• 参考スコア（独自算出の注目度）: 3.036976081553418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stochastic simulators need suitable parameter values to reproduce observed behaviour in complex systems. Searching for these values through repeated simulations makes frequent recalibration computationally expensive. We develop an amortized optimizer that uses simulations collected in advance to learn how to choose parameters that make simulated outcomes agree with observations. Once fitted, it maps new observations to feasible parameters without further simulator calls. The method retains alternative parameter settings that can explain similar observations and compares their responses, avoiding the conflicting labels that arise when training a single parameter regressor. Historical observations also provide supervision by showing which simulated responses agree with the data, even when the underlying parameters are unknown. Experiments across four simulators compare calibration accuracy and query time. Dedicated cost analyses quantify traffic preparation and the recorded financial reuse costs. On new traffic targets, local correction more than halves query time relative to empirical and surrogate selection; a learned inverse is faster still, with similar mean error. In a retrospective comparison on real financial data, our method returns parameters about $1.07\times10^{7}$ times faster than a 10-minute Gaussian-process Bayesian optimization search, with mean calibration error 3.06% higher. Reusing simulation work across observations supports repeated parameter updates when the available time is too short for a new search.
• Abstract（参考訳）: 確率シミュレータは、複雑なシステムで観測された振る舞いを再現するために適切なパラメータ値を必要とする。 繰り返しシミュレーションによるこれらの値の探索は、頻繁に再校正を行うのにコストがかかる。 本研究では,あらかじめ収集したシミュレーションを用いて,シミュレーション結果と観測結果とを一致させるパラメータの選択方法を学習するアモータイズオプティマイザを開発した。 一度装着すると、さらなるシミュレーターコールなしで、新しい観測結果を実現可能なパラメータにマッピングする。 この方法は、同様の観察を説明できる代替パラメータ設定を保持し、その応答を比較し、単一のパラメータ回帰器をトレーニングする際に発生する矛盾するラベルを避ける。 歴史的観察はまた、基礎となるパラメータが未知であっても、シミュレーションされた応答がデータと一致することを示すことによって、監督を提供する。 4つのシミュレータの実験では、キャリブレーション精度とクエリ時間を比較する。 専用コスト分析は、交通準備と記録された金融再利用コストを定量化する。 新たなトラフィックターゲットでは、クエリ時間以上の局所的な補正が、経験的および代理的な選択に対して行われ、学習された逆は、同じ平均誤差で高速である。 実財務データに対する回帰比較では、平均校正誤差が3.06%高い10分間のガウス過程のベイズ最適化よりも約1.07\times10^{7}$のパラメータを返却する。 観測をまたいだシミュレーション作業の再利用は、新しい検索に時間が短すぎる場合に繰り返しパラメータの更新をサポートする。

関連論文リスト

• Where, When, and How Many Bits? Scaling Laws for SGD with Stochastic Rounding [50.73855299805472]
  低精度トレーニングは計算を減少させるが、追加の丸め誤差を導入する。 本稿では,計算のラウンドリングがモデルサイズ,トレーニング時間,精度変化などの予測リスクに与える影響を理論的に検討する。
  論文  参考訳（メタデータ） (2026-10-29T23:42:46Z)
• CTLite: Lightweight Irregular Multivariate Time Series Forecasting with Reusable Continuous-Time Summaries [2.2732491507888652]
  歴史的要約を学習予測から切り離すフレームワークであるCTLiteを提案する。 4つの実世界のベンチマーク実験により、CTLite は MSE と MAE の2番目に高い平均値を達成することが示された。
  論文  参考訳（メタデータ） (2026-10-19T13:32:06Z)
• SimulCost: A Cost-Aware Benchmark and Toolkit for Automating Physics Simulations with LLMs [56.07550353240028]
  物理シミュレーションにおけるコスト依存パラメータチューニングをターゲットとした最初のベンチマークであるSimulCostを紹介する。 SimulCostは、LCMチューニングのコスト感受性パラメータと従来のスキャン手法の精度と計算コストを比較した。 各シミュレータのコストは解析的に定義され、プラットフォームに依存しない。
  論文  参考訳（メタデータ） (2026-03-11T05:00:48Z)
• Pseudo-Simulation for Autonomous Driving [66.1981253104508]
  既存の自動運転車(AV)の評価パラダイムは、重大な制限に直面している。 現実世界の評価は、安全上の懸念と現実主義の欠如のためにしばしば困難である。 オープンループ評価は、一般的に複合的なエラーを見落としているメトリクスに依存する。
  論文  参考訳（メタデータ） (2025-06-04T17:57:53Z)
• Bayesian Adaptive Calibration and Optimal Design [23.319315014843713]
  現在の機械学習アプローチは、主に観測データで利用可能な固定された設計セットに対する再実行シミュレーションに依存している。 本稿では,バッチシーケンスプロセス内で最大情報化シミュレーションを実行するためのデータ効率アルゴリズムを提案する。 合成問題と実データ問題にまたがる関連手法と比較して,本手法の利点を示す。
  論文  参考訳（メタデータ） (2024-05-23T11:14:35Z)
• Bayesian Target-Vector Optimization for Efficient Parameter Reconstruction [0.0]
  対象ベクトル最適化方式を導入し,モデル関数のコントリビューションのすべてについて検討し,パラメータ再構成問題に特に適している。 また、実際のモデル関数の観測がほとんどない正確な不確実性推定を決定できる。
  論文  参考訳（メタデータ） (2022-02-23T15:13:32Z)
• Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
  シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。 ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。 実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:55Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)

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。