学习模拟：基于分位数回归的生成式元建模
机器学习
2026-01-21 v4 统计方法学
摘要
随机模拟模型能有效捕捉复杂系统动态，但往往过于缓慢而无法用于实时决策。传统元建模技术学习模拟器输入与单一输出汇总统计量（如均值或中位数）之间的关系。这些技术能够在无需额外模拟的情况下实现实时预测。然而，它们需要预先选择一种合适的输出汇总统计量，限制了在实际应用中的灵活性。我们提出一个新概念：生成式元建模。它旨在构建“模拟器的快速模拟器”，以远快于原始模拟器的速度生成随机输出，同时保持近似相等的条件分布。生成式元模型能够在指定输入后快速生成大量随机输出，便于实时决策中任何汇总统计量的即时计算。我们引入了一种新算法，即基于分位数回归的生成式元建模（QRGMM），并确立了其分布收敛性和收敛速率。大量数值实验证明了 QRGMM 相较于其他最先进（state-of-the-art）生成算法在实际实时决策场景中的有效性。
引用
@article{arxiv.2311.17797,
title = {Learning to Simulate: Generative Metamodeling via Quantile Regression},
author = {L. Jeff Hong and Yanxi Hou and Qingkai Zhang and Xiaowei Zhang},
journal= {arXiv preprint arXiv:2311.17797},
year = {2026}
}