G-Sim：基于大语言模型和梯度自由校准的生成式仿真
机器学习
2025-06-12 v1 机器学习
摘要
构建健壮的仿真器对于提出"如果……会怎样？"问题以及在医疗保健和物流等关键领域指导决策至关重要。然而，现有方法常常难以胜任，要么无法在历史数据之外泛化，要么在使用大语言模型（LLM）时遭受不准确性和经验对齐不良的问题。我们引入了 G-Sim，一个混合框架，通过协同 LLM 驱动的结构设计与严格的经验校准来自动化仿真器构建。G-Sim 在迭代循环中使用 LLM 来提出和优化仿真器的核心组件和因果关系，并以领域知识为指导。该结构随后通过使用灵活的校准技术估计其参数来与现实建立联系。具体而言，G-Sim 可以利用既无需似然又对仿真器梯度自由的方法，例如用于直接参数估计的梯度自由优化或用于获得参数后验分布的仿真推断。这使其能够处理不可微和随机的仿真器。通过将领域先验与经验证据相结合，G-Sim 产生了可靠的、具有因果信息的仿真器，减轻了数据低效问题，并为复杂决策的系统级干预提供了支持。
引用
@article{arxiv.2506.09272,
title = {G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration},
author = {Samuel Holt and Max Ruiz Luyten and Antonin Berthon and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2506.09272},
year = {2025}
}
备注
Accepted at the 42nd International Conference on Machine Learning (ICML 2025). 9 pages, 3 figures