Цифровой двойникSchneider Electric тестирует цифровой двойник дата-центра в ПортугалииInvesting.com · 17 чМоделированиеLLM-Augmented Agent-Based Simulation of Cyber Social AgentsarXiv — Multiagent Systems (cs.MA) · вчераМоделированиеБайесовский вывод для агентных моделей при 90% экономии симуляцийarXiv — Multiagent Systems (cs.MA) · вчераМоделированиеАдаптация нейросетевых оценщиков апостериорного распределения для агентных моделейarXiv — Multiagent Systems (cs.MA) · вчераЦифровой двойникModel-Free Generative Stealthy Attacks on Safety-Critical Vehicle Cyber-Physical SystemsarXiv — Systems and Control (eess.SY) · 2 днЦифровой двойникSchneider Electric, AVEVA, Nscale and Start Campus pilot AI digital twinEngineering.com · 5 днЦифровой двойникLarge Language Models Meet Bayesian Optimization: Towards Self-evolving Wireless Digital TwinsarXiv API — полнотекстовый поиск "digital twin" · 5 днМоделированиеJaxMARL-BC: Multi-Agent Reinforcement Learning for Macroeconomic Modelling, in SecondsarXiv — General Economics (econ.GN) · 6 днЦифровой двойникDigital Twins of Networked Dynamical Systems: Machine Learning Prediction of Synchronization Transitions in Coupled Chaotic OscillatorsarXiv API — полнотекстовый поиск "digital twin" · 6 днЦифровой двойникEvaluating Type-1 Diabetes Digital Twins by Decision QualityarXiv API — полнотекстовый поиск "digital twin" · 6 днПрогнозированиеCertified Neural Approximation of Robust Nonlinear Model Predictive ControlarXiv — Systems and Control (eess.SY) · 6 днПрогнозированиеIntegrating Flow Matching and Model Predictive Control for Safe Robot NavigationarXiv — Systems and Control (eess.SY) · 6 дн
Байесовский вывод для агентных моделей при 90% экономии симуляций
США и Запад ·
Предложен метод DF-NPE: обученные сводки временных рядов и два условных нормализующих потока — для генерации синтетических обучающих пар и для оценки апостериорного распределения. Подход дополняет прямые симуляции синтетикой и поддерживает объединённую и упорядоченную стратегии обучения. На двух конфигурациях модели ценообразования активов Брока—Хоммса прямых симуляций стало на 90% меньше при меньшем расхождении апостериорных оценок и меньшем времени работы.
Почему это важно
Снижает вычислительную стоимость калибровки агентных моделей, что делает их практичнее для прогнозирования и сценарного анализа в экономике.
arXiv:2610.32988v1 Announce Type: new Abstract: Social media bots are often portrayed as malicious automations to be detected and removed, but automation on social media platforms encompasses a wide spectrum of roles, behaviors, and rhetorical strategies that can shape online discourse in both…
Агентные модели в экономике и социальных науках описывают неоднородное поведение и взаимодействия через симуляции, а их функция правдоподобия часто недоступна для оценки параметров. Работа рассматривает нейросетевой вывод без правдоподобия, в частности оценку апостериорного распределения нормализующими потоками, дающую амортизированный байесовский вывод. Отмечается, что предобученный оценщик может терять точность при смене целевой задачи, и обсуждается адаптация таких оценщиков.
arXiv:2610.28907v1 Announce Type: cross Abstract: Multi-agent reinforcement learning (MARL) offers a principled way of populating simulated economies with many heterogeneous decision makers.
