论文分享：学会仿真

0 题目

learning to simmulate

1 背景

ML得到好的模型，去预测，泛化
好的模型需要好的数据
训练数据获取成本高
仿真环境下获取：丰富，安全，成本低

• 真实数据：
  参数是真实值，存在偏差（真实-理想），偏差随机，服从一定分布

• 仿真数据：
  参数是理想值，生成样本唯一
  （为了更真实，要做随机化处理）

随机化方法（域随机，基于先验）：
扩大随机化范围，覆盖真实情况
（也覆盖了不可能出现的数据）

如何规划仿真数据的分布？

2 问题

如何合理调整仿真数据的分布？
（如何加噪声，让仿真数据和真实数据接近，提高模型泛化能力）

3 现状与GAP

3.1 匹配真实数据分布

调整仿真数据，不断和真实对比
（类似域适应）

GAP：测的真实数据本身就不准，和真实环境交互

3.2 仿真数据指导

对抗网络，找到对仿真影响最大的参数
G：生成假样本
D&#x