基于离散决策校准群体模型的自动梯度估计
机器学习
2024-04-09 v1 多智能体系统
摘要
最近提出的梯度估计器使得能够对具有离散跳跃响应表面的随机程序进行梯度下降，这超出了自动微分(AD)alone能覆盖的范围。虽然这些估计器的能力已用于引导特定问题的快速局部搜索，但其针对实际应用相关模型的适用性仍鲜有探索。由于梯度是从抽样模拟轨迹中计算得到的，优化程序与粒子群优化等元启发式方法相似，关注的是各方法在每次函数评估中获得的校准进展。本文考虑基于热力学社交力模型并加入离散决策的群体疏散模型校准问题。经过研究AD-based估计器是否能捕捉到该模拟的粗糙响应表面后，采用梯度下降和两种元启发式方法求解校准问题。我们的主要发现包括：1)估计的保真度受益于忽略社交力模型固有的大幅度跳跃；2)常见的通过调整模拟输入分布进行校准的问题，使得在社交力计算中无需采用AD，从而使梯度下降得以优势。
引用
@article{arxiv.2404.04678,
title = {Automatic Gradient Estimation for Calibrating Crowd Models with Discrete Decision Making},
author = {Philipp Andelfinger and Justin N. Kreikemeyer},
journal= {arXiv preprint arXiv:2404.04678},
year = {2024}
}
备注
Accepted at International Conference on Computational Science (ICCS'24)