Fugu-MT 論文翻訳(概要): Effective End-to-End Learning Framework for Economic Dispatch

論文の概要: Effective End-to-End Learning Framework for Economic Dispatch

arxiv url: http://arxiv.org/abs/2002.12755v1
Date: Sat, 22 Feb 2020 08:04:27 GMT
ステータス: 処理完了
システム内更新日: 2022-12-29 19:19:01.642512
Title: Effective End-to-End Learning Framework for Economic Dispatch
Title（参考訳）: 経済的分散のための効果的なエンドツーエンド学習フレームワーク
Authors: Chenbei Lu, Kui Wang, Chenye Wu
Abstract要約: エンド・ツー・エンドの機械学習の概念を採用し、経済的なディスパッチを行うためのタスク固有の学習基準を提案する。提案する学習フレームワークの有効性と効率を明らかにするため,理論的分析と経験的洞察の両方を提供する。
参考スコア（独自算出の注目度）: 3.034038412630808
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Conventional wisdom to improve the effectiveness of economic dispatch is to design the load forecasting method as accurately as possible. However, this approach can be problematic due to the temporal and spatial correlations between system cost and load prediction errors. This motivates us to adopt the notion of end-to-end machine learning and to propose a task-specific learning criteria to conduct economic dispatch. Specifically, to maximize the data utilization, we design an efficient optimization kernel for the learning process. We provide both theoretical analysis and empirical insights to highlight the effectiveness and efficiency of the proposed learning framework.
Abstract（参考訳）: 経済派遣の有効性を向上させる従来の知恵は、できるだけ正確に負荷予測方法を設計することである。しかし,システムコストと負荷予測誤差との時間的・空間的相関が問題となる。これにより、エンド・ツー・エンドの機械学習の概念を採用し、経済的ディスパッチを行うためのタスク固有の学習基準を提案する。具体的には、データ利用を最大化するために、学習プロセスのための効率的な最適化カーネルを設計する。提案する学習フレームワークの有効性と効率を強調するために,理論解析と経験的洞察の両方を提供する。

関連論文リスト

Efficiency optimization of large-scale language models based on deep learning in natural language processing tasks [6.596361762662328]
大規模言語モデルの内部構造と操作機構を理論的に解析する。我々は、適応最適化アルゴリズム(AdamWなど)、大規模並列計算技術、混合精度訓練戦略の寄与を評価した。
論文参考訳（メタデータ） (2024-05-20T00:10:00Z)
Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm [87.47506806135746]
一部のアプリケーションでは、エッジラーニングは、スクラッチから新しい2段階ラーニングへと焦点を移している。本稿では,2段階のエッジ学習システムにおける共同コミュニケーションと計算資源管理の問題について考察する。事前学習および微調整段階に対する共同資源管理の提案は,システム性能のトレードオフをうまくバランスさせることが示されている。
論文参考訳（メタデータ） (2024-04-01T00:21:11Z)
Adaptive Inference: Theoretical Limits and Unexplored Opportunities [43.19515571173486]
我々は、達成可能な効率と性能向上のための、新しい近似的かつ正確な境界を提供する。適応型推論状態空間の最適選択と設計を通じて、達成可能な効率向上に関する洞察を提供する。
論文参考訳（メタデータ） (2024-02-06T19:49:23Z)
Compute-Efficient Active Learning [0.0]
アクティブラーニングは、ラベルなしデータセットから最も有益なサンプルを選択することでラベリングコストを削減することを目的としている。従来のアクティブな学習プロセスは、拡張性と効率を阻害する広範な計算資源を必要とすることが多い。本稿では,大規模データセット上での能動的学習に伴う計算負担を軽減するための新しい手法を提案する。
論文参考訳（メタデータ） (2024-01-15T12:32:07Z)
Towards a General Framework for Continual Learning with Pre-training [55.88910947643436]
本稿では,事前学習を用いた逐次到着タスクの連続学習のための一般的な枠組みを提案する。我々はその目的を,タスク内予測,タスク同一性推論,タスク適応予測という3つの階層的構成要素に分解する。本稿では,パラメータ効率細調整(PEFT)技術と表現統計量を用いて,これらのコンポーネントを明示的に最適化する革新的な手法を提案する。
論文参考訳（メタデータ） (2023-10-21T02:03:38Z)
Online Learning and Optimization for Queues with Unknown Demand Curve and Service Distribution [26.720986177499338]
サービス提供者が最適なサービス料金 p とサービス容量 mu を選択する待ち行列システムにおける最適化問題について検討する。本研究では,パラメータ推定誤差を自動的に解法に組み込むオンライン学習フレームワークを開発した。
論文参考訳（メタデータ） (2023-03-06T08:47:40Z)
Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-10-07T02:12:34Z)
TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
論文参考訳（メタデータ） (2021-10-27T21:05:00Z)
A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文参考訳（メタデータ） (2021-07-14T18:09:08Z)
Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文参考訳（メタデータ） (2020-03-06T06:28:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。