論文の概要: Boosting algorithms in energy research: A systematic review

• arxiv url: http://arxiv.org/abs/2004.07049v2
• Date: Fri, 29 Oct 2021 20:48:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 19:30:15.899971
• Title: Boosting algorithms in energy research: A systematic review
• Title（参考訳）: エネルギー研究におけるブースティングアルゴリズム : 体系的レビュー
• Authors: Hristos Tyralis, Georgia Papacharalampous
• Abstract要約: ブースティングアルゴリズムは高い柔軟性と高い解釈性の両方が特徴である。 エネルギー分野の大幅な進歩は可能でありながら、これまでブーピングが過小評価されていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning algorithms have been extensively exploited in energy research, due to their flexibility, automation and ability to handle big data. Among the most prominent machine learning algorithms are the boosting ones, which are known to be "garnering wisdom from a council of fools", thereby transforming weak learners to strong learners. Boosting algorithms are characterized by both high flexibility and high interpretability. The latter property is the result of recent developments by the statistical community. In this work, we provide understanding on the properties of boosting algorithms to facilitate a better exploitation of their strengths in energy research. In this respect, (a) we summarize recent advances on boosting algorithms, (b) we review relevant applications in energy research with those focusing on renewable energy (in particular those focusing on wind energy and solar energy) consisting a significant portion of the total ones, and (c) we describe how boosting algorithms are implemented and how their use is related to their properties. We show that boosting has been underexploited so far, while great advances in the energy field are possible both in terms of explanation and interpretation, and in terms of predictive performance.
• Abstract（参考訳）: 機械学習アルゴリズムは、その柔軟性、自動化、ビッグデータを扱う能力のために、エネルギー研究で広く利用されている。 最も著名な機械学習アルゴリズムは、"愚か者の評議会から知恵を蓄えている"ことで知られ、弱い学習者を強い学習者に変える。 ブースティングアルゴリズムは高い柔軟性と高い解釈性の両方が特徴である。 後者の性質は、統計コミュニティによる近年の発展の結果である。 本研究では, エネルギー研究における強みの活用を促進するために, ブースティングアルゴリズムの特性について理解を深める。 この点において (a)ブースティングアルゴリズムの最近の進歩を要約する。 b)再生可能エネルギー(特に風力エネルギーと太陽エネルギーに重点を置くもの)に焦点をあてたエネルギー研究の関連応用について検討する。 c) ブースティングアルゴリズムの実装方法と,その特性との関係について述べる。 エネルギー分野における大きな進歩は、説明と解釈の両面において可能であり、予測性能の両面において可能であることを示す。

関連論文リスト

• The Impossibility of Parallelizing Boosting [56.24620522825757]
  並列化促進の可能性について検討する。 私たちの主な貢献は強い負の結果であり、トレーニングに必要なコンピューティングリソースの総量に対して、大幅な並列化が急激な爆発を必要としていることを示唆している。
  論文  参考訳（メタデータ） (2023-01-23T18:57:16Z)
• RMBench: Benchmarking Deep Reinforcement Learning for Robotic Manipulator Control [47.61691569074207]
  強化学習は、高次元の感覚入力から実際の複雑なタスクを解決するために応用される。 生の知覚信号表現における深層学習の最近の進歩 ロボット操作のための最初のベンチマークであるRMBenchを紹介する。
  論文  参考訳（メタデータ） (2022-10-20T13:34:26Z)
• Trends in Energy Estimates for Computing in AI/Machine Learning Accelerators, Supercomputers, and Compute-Intensive Applications [3.2634122554914]
  幾何スケーリング法則により駆動される異なるシステムの計算エネルギー要求について検討する。 幾何スケーリングによるエネルギー効率が低下していることを示す。 応用レベルでは、汎用AI-ML手法は計算エネルギー集約化が可能である。
  論文  参考訳（メタデータ） (2022-10-12T16:14:33Z)
• Boosted Off-Policy Learning [21.042970740577648]
  ログ化された盗聴フィードバックから外部政治学習を行うための最初のブースティングアルゴリズムを提案する。 教師付き学習のための既存の強化手法とは異なり、我々のアルゴリズムはポリシーの期待される報酬の見積を直接最適化する。 本稿では,教師付き学習に基礎学習者を還元する方法を示す。
  論文  参考訳（メタデータ） (2022-08-01T21:43:02Z)
• Energy-based Latent Aligner for Incremental Learning [83.0135278697976]
  ディープラーニングモデルは、新しいタスクを漸進的に学習しながら、以前の知識を忘れる傾向があります。 この振る舞いは、新しいタスクに最適化されたパラメータ更新が、古いタスクに適したアップデートとうまく一致しない可能性があるため現れます。 ELI: インクリメンタルラーニングのためのエネルギーベースラテントアリグナーを提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:57:25Z)
• Quantum Boosting using Domain-Partitioning Hypotheses [0.9264464791978363]
  ブースティングは、弱い学習者をPAC学習フレームワークの強力な学習者に変換するアンサンブル学習法である。 Q-RealBoostは、弱い学習者のバイアスと弱い学習者がターゲット概念クラスを学習するのに要する時間の両方の観点から、Q-AdaBoostを高速化することを示した。
  論文  参考訳（メタデータ） (2021-10-25T10:46:13Z)
• Compute and Energy Consumption Trends in Deep Learning Inference [67.32875669386488]
  コンピュータビジョンと自然言語処理の分野における関連モデルについて検討する。 継続的な性能向上のために、これまで予想されていたよりもエネルギー消費の軟化が見られた。
  論文  参考訳（メタデータ） (2021-09-12T09:40:18Z)
• A Brief Look at Generalization in Visual Meta-Reinforcement Learning [56.50123642237106]
  メタ強化学習アルゴリズムの一般化性能を評価する。 これらのアルゴリズムは、困難なタスクで評価された場合、強いオーバーフィッティングを示すことができる。
  論文  参考訳（メタデータ） (2020-06-12T15:17:17Z)
• Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning [68.37641996188133]
  我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。 エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。 炭素排出量削減とエネルギー消費削減のための戦略を提案する。
  論文  参考訳（メタデータ） (2020-01-31T05:12:59Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。