論文の概要: Intelligent Decision Support System for Updating Control Plans

• arxiv url: http://arxiv.org/abs/2006.08153v1
• Date: Mon, 15 Jun 2020 06:16:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 04:45:21.565411
• Title: Intelligent Decision Support System for Updating Control Plans
• Title（参考訳）: 制御計画更新のための知的意思決定支援システム
• Authors: Fadwa Oukhay, Pascale Zarat\'e (UT1, IRIT, IRIT-ADRIA), Taieb Romdhane
• Abstract要約: 本稿では,品質管理計画のためのインテリジェントDSSを提案する。 提案したRSは、実際のプロセス品質に適応するために、制御計画の継続的な更新を可能にする。 実ケーススタディにおいて,提案DSSの実現可能性と実用性を示す数値計算を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the current competitive environment, it is crucial for manufacturers to make the best decisions in the shortest time, in order to optimize the efficiency and effectiveness of the manufacturing systems. These decisions reach from the strategic level to tactical and operational production planning and control. In this context, elaborating intelligent decisions support systems (DSS) that are capable of integrating a wide variety of models along with data and knowledge resources has become promising. This paper proposes an intelligent DSS for quality control planning. The DSS is a recommender system (RS) that helps the decision maker to select the best control scenario using two different approaches. The first is a manual choice using a multi-criteria decision making method. The second is an automatic recommendation based on case-based reasoning (CBR) technique. Furthermore, the proposed RS makes it possible to continuously update the control plans in order to be adapted to the actual process quality situation. In so doing, CBR is used for learning the required knowledge in order to improve the decision quality. A numerical application is performed in a real case study in order to illustrate the feasibility and practicability of the proposed DSS.
• Abstract（参考訳）: 現在の競争環境においては、製造システムの効率と効率を最適化するために、製造者が最短時間で最善の決定を下すことが不可欠である。 これらの決定は戦略レベルから戦術的および運用的な生産計画と制御に到達する。 この文脈では、多種多様なモデルとデータや知識資源を統合することができる知的意思決定支援システム(DSS)が有望である。 本稿では,品質管理計画のためのインテリジェントDSSを提案する。 DSSは、意思決定者が2つの異なるアプローチを使って最適な制御シナリオを選択するのに役立つレコメンデータシステム(RS)である。 1つ目は、複数基準決定方式を用いた手動選択である。 2つ目はケースベース推論(CBR)技術に基づく自動レコメンデーションである。 さらに,提案したRSは,実際のプロセス品質に適応するために,制御計画の継続的な更新を可能にする。 そのため、CBRは意思決定の質を改善するために必要な知識を学ぶのに使用される。 実ケーススタディにおいて,提案DSSの実現可能性と実用性を示す数値計算を行った。

関連論文リスト

• Dynamic Information Sub-Selection for Decision Support [5.063114309794011]
  我々は,ブラックボックス意思決定者のパフォーマンス向上を目的とした,AI支援の新しいフレームワークであるDynamic Information Sub-Selection(DISS)を紹介する。 偏りのある意思決定支援、専門家の割り当て最適化、大規模言語モデル決定支援、解釈可能性など、DisdisSのいくつかの応用について検討する。
  論文  参考訳（メタデータ） (2024-10-30T20:00:54Z)
• Balancing Optimality and Diversity: Human-Centered Decision Making through Generative Curation [6.980546503227467]
  本稿では,量的・質的両面を統合することにより,決定オプションの真の望ましさを最適化する生成キュレーションという新しい枠組みを導入する。 提案手法は,多種多様な準最適動作を効率的にサンプリングするための分配$pi$を生成する生成ニューラルネットワークアーキテクチャと,反復的に解を生成する逐次最適化手法である。 提案手法を広範囲なデータセットで検証し,複雑な環境にまたがる意思決定プロセスの強化の有効性を実証する。
  論文  参考訳（メタデータ） (2024-09-17T20:13:32Z)
• Two-Stage ML-Guided Decision Rules for Sequential Decision Making under Uncertainty [55.06411438416805]
  SDMU (Sequential Decision Making Under Uncertainty) は、エネルギー、金融、サプライチェーンといった多くの領域において、ユビキタスである。 いくつかのSDMUは、自然にマルチステージ問題(MSP)としてモデル化されているが、結果として得られる最適化は、計算の観点からは明らかに困難である。 本稿では,2段階の一般決定規則(TS-GDR)を導入し,線形関数を超えて政策空間を一般化する手法を提案する。 TS-GDRの有効性は、TS-LDR(Two-Stage Deep Decision Rules)と呼ばれるディープリカレントニューラルネットワークを用いたインスタンス化によって実証される。
  論文  参考訳（メタデータ） (2024-05-23T18:19:47Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Optimal Sequential Decision-Making in Geosteering: A Reinforcement Learning Approach [0.0]
  ジオステアリングと呼ばれる掘削プロセス全体の軌道調整決定は、その後の選択や情報収集に影響を与える。 本研究では,決定環境から直接学習するモデルフリー強化学習(RL)手法であるDeep Q-Network(DQN)手法を用いる。 これまでに2つの合成ジオステアリングシナリオに対して,RLは準最適ADPに匹敵する高品質な結果が得られることを示した。
  論文  参考訳（メタデータ） (2023-10-07T10:49:30Z)
• Risk-reducing design and operations toolkit: 90 strategies for managing risk and uncertainty in decision problems [65.268245109828]
  本稿では,このような戦略のカタログを開発し,それらのためのフレームワークを開発する。 高い不確実性のために難解であるように見える決定問題に対して、効率的な応答を提供する、と論じている。 次に、多目的最適化を用いた決定理論にそれらを組み込む枠組みを提案する。
  論文  参考訳（メタデータ） (2023-09-06T16:14:32Z)
• A Machine Learning Approach to Two-Stage Adaptive Robust Optimization [6.943816076962257]
  本稿では,2段階線形適応ロバスト最適化問題の解法として,機械学習に基づくアプローチを提案する。 私たちは、最適な今と現在の決定、最適な今と現在の決定に関連する最悪のシナリオ、そして最適な待ちと見る決定をエンコードします。 私たちは、現在と現在の決定のための高品質な戦略、最適な今と現在の決定に関連する最悪のシナリオ、待機と見る決定を予測できる機械学習モデルをトレーニングします。
  論文  参考訳（メタデータ） (2023-07-23T19:23:06Z)
• Best Arm Identification for Stochastic Rising Bandits [84.55453174601826]
  SRB(Rising Bandits)は、選択される度に選択肢の期待される報酬が増加する、シーケンシャルな意思決定の問題をモデル化する。 本稿では,SRBの固定予算ベストアーム識別(BAI)問題に焦点をあてる。 R-UCBE と R-SR の2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-15T08:01:37Z)
• Subgoal-Based Explanations for Unreliable Intelligent Decision Support Systems [22.20142645430695]
  本稿では,計画型IDSシステムのための新しい説明型,サブゴール型説明法を提案する。 我々は、サブゴールに基づく説明が、ユーザタスクのパフォーマンスの向上、最適なIDSレコメンデーションと最適でないIDSレコメンデーションを区別するユーザ能力の向上、ユーザが好むIDS障害時の堅牢なユーザパフォーマンスの実現につながることを実証する。
  論文  参考訳（メタデータ） (2022-01-11T21:13:22Z)
• Learning MDPs from Features: Predict-Then-Optimize for Sequential Decision Problems by Reinforcement Learning [52.74071439183113]
  我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。 2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
  論文  参考訳（メタデータ） (2021-06-06T23:53:31Z)
• Learning High-Level Policies for Model Predictive Control [54.00297896763184]
  Model Predictive Control (MPC)は、ロボット制御タスクに対する堅牢なソリューションを提供する。 ニューラルネットワークの高レベルポリシーを学習するための自己教師付き学習アルゴリズムを提案する。 提案手法は, 標準的なMPCでは困難な状況に対処できることを示す。
  論文  参考訳（メタデータ） (2020-07-20T17:12:34Z)

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。