arXiv cs.CY· Muyao Zhong, Peng Yang·· 10 小时前AI 评分20
摊销优化方法加速随机社会模拟器校准
Amortized Optimization for Calibrating Stochastic Social Simulators
AI 导读
研究者提出一种摊销优化器，利用预先收集的模拟数据学习如何选择参数，使模拟结果与观测一致，拟合后无需再调用模拟器即可将新观测映射为可行参数。在真实金融数据的回溯对比中，该方法比 10 分钟高斯过程贝叶斯优化搜索快约 $1.07\times10^{7}$ 倍，平均校准误差高 3.06%。实验在四个模拟器上比较了校准精度与查询时间，局部校正相比经验选择和代理模型选择可将查询时间减半以上。
正文 · AI 翻译
摘要：随机模拟器需要合适的参数值，才能在复杂系统中复现观测到的行为。通过反复模拟来搜索这些参数值，会使频繁的重新校准在计算上代价高昂。我们开发了一种摊销优化器，它利用预先收集的模拟来学习如何选择参数，使模拟结果与观测结果一致。一旦拟合完成，它就能将新的观测映射为可行的参数，而无需再调用模拟器。该方法保留了能够解释相似观测的备选参数设置，并比较它们的响应，从而避免了训练单一参数回归器时出现的标签冲突。历史观测还提供了监督信息，通过显示哪些模拟响应与数据一致，即使底层参数未知。在四个模拟器上的实验比较了校准准确性和查询时间。专门的成本分析量化了流量准备以及记录的财务复用 this http URL 新流量目标，相对于经验选择和代理选择，局部校正将查询时间缩短了一半以上；学习到的逆映射更快，且平均误差相似。在真实金融数据上的回顾性比较中，我们的方法返回参数的速度比 10 分钟的高斯过程贝叶斯优化搜索快约 $1.07\times10^{7}$ 倍，平均校准误差高 3.06%。在观测之间复用模拟工作，支持在可用时间太短而无法进行新搜索时重复更新参数。
| 评论： | 本工作已提交给 IEEE 以供可能发表。版权可能在不另行通知的情况下转移，此后本版本可能不再可访问 |
| 主题： | 计算工程、金融与科学 (cs.CE)；计算机与社会 (cs.CY) |
| 引用为： | arXiv:2611.06623 [cs.CE] |
| （或 arXiv:2611.06623v1 [cs.CE] 用于本版本） | |
| https://doi.org/10.48550/arXiv.2611.06623 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Muyao Zhong [查看电子邮件]
[v1]
2026年11月4日星期三 15:08:28 UTC（326 KB）
来源：arXiv cs.CY · arxiv.org