研究人员创建了一种用于准确模拟复杂系统的工具
研究人员在设计新算法时经常使用模拟，因为在现实世界中测试想法既昂贵又冒险。但由于不可能在模拟中捕获复杂系统的每个细节，他们通常会收集少量真实数据，在模拟他们想要研究的组件时重放这些数据。
这种方法被称为跟踪驱动模拟（小块真实数据称为跟踪），有时会导致有偏差的结果。这意味着研究人员可能会在不知不觉中选择一种不是他们评估过的最佳算法的算法，并且该算法在真实数据上的表现会比模拟预测的要差。
这就是称为 CausalSim 的新工具的用武之地。该算法可以仅使用跟踪数据来了解系统的基本特征。CausalSim 帮助研究人员选择经过测试的最佳算法。
麻省理工学院的研究人员开发的新方法，可以消除跟踪驱动模拟中的这种偏差来源。通过启用无偏差的跟踪驱动模拟，新技术可以帮助研究人员为各种应用设计更好的算法，包括提高互联网上的视频质量和提高数据处理系统的性能。
研究人员的机器学习算法利用因果关系原理来了解数据轨迹如何受到系统行为的影响。通过这种方式，他们可以在模拟期间重放正确、无偏差的跟踪版本。
与之前开发的跟踪驱动模拟器相比，研究人员的模拟方法正确地预测了哪种新设计的算法最适合视频流——这意味着能够减少重新缓冲和提高视觉质量的算法。不考虑偏差的现有模拟器会将研究人员指向性能较差的算法。
在为期 10 个月的实验中，CausalSim 不断提高模拟准确性，导致算法的错误率大约是使用基线方法设计的错误率的一半。找有价值的信息，请记住Byteclicks.com
未来，研究人员希望将 CausalSim 应用于随机对照试验数据不可用或特别难以恢复系统因果动力学的情况。他们还想探索如何设计和监控系统，使它们更易于进行因果分析。
版权声明：除特殊说明外，本站所有文章均为 字节点击 原创内容，采用 BY-NC-SA 知识共享协议。原文链接：https://byteclicks.com/49169.html 转载时请以链接形式标明本文地址。转载本站内容不得用于任何商业目的。本站转载内容版权归原作者所有，文章内容仅代表作者独立观点，不代表字节点击立场。报道中出现的商标、图像版权及专利和其他版权所有的信息属于其合法持有人，只供传递信息之用，非商务用途。如有侵权，请联系 gavin@byteclicks.com。我们将协调给予处理。
