論文の概要: The ASHRAE Great Energy Predictor III competition: Overview and results
- arxiv url: http://arxiv.org/abs/2007.06933v1
- Date: Tue, 14 Jul 2020 09:41:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 02:18:49.705961
- Title: The ASHRAE Great Energy Predictor III competition: Overview and results
- Title（参考訳）: ASHRAE Great Energy Predictor IIIコンペティションの概要と結果
- Authors: Clayton Miller, Pandarasamy Arjunan, Anjukan Kathirgamanathan, Chun
Fu, Jonathan Roth, June Young Park, Chris Balbach, Krishnan Gowri, Zoltan
Nagy, Anthony Fontanini, Jeff Haberl
- Abstract要約: 2019年後半、ASHRAEはカグルプラットフォーム上でGEPIII(Great Energy Predictor III)機械学習コンペティションを開催した。
本稿では,競争準備とデータセットについて概観する。
参加者は4,370人で、94カ国の3,614チームが39,403件の予測を提出した。
- 参考スコア（独自算出の注目度）: 0.5155171850181773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In late 2019, ASHRAE hosted the Great Energy Predictor III (GEPIII) machine
learning competition on the Kaggle platform. This launch marked the third
energy prediction competition from ASHRAE and the first since the mid-1990s. In
this updated version, the competitors were provided with over 20 million points
of training data from 2,380 energy meters collected for 1,448 buildings from 16
sources. This competition's overall objective was to find the most accurate
modeling solutions for the prediction of over 41 million private and public
test data points. The competition had 4,370 participants, split across 3,614
teams from 94 countries who submitted 39,403 predictions. In addition to the
top five winning workflows, the competitors publicly shared 415 reproducible
online machine learning workflow examples (notebooks), including over 40
additional, full solutions. This paper gives a high-level overview of the
competition preparation and dataset, competitors and their discussions, machine
learning workflows and models generated, winners and their submissions,
discussion of lessons learned, and competition outputs and next steps. The most
popular and accurate machine learning workflows used large ensembles of mostly
gradient boosting tree models, such as LightGBM. Similar to the first predictor
competition, preprocessing of the data sets emerged as a key differentiator.
- Abstract（参考訳）: 2019年後半、ASHRAEはカグルプラットフォーム上でGEPIII(Great Energy Predictor III)機械学習コンペティションを開催した。
この打ち上げはアシュレーから3度目のエネルギー予測競争となり、1990年代半ば以来となる。
この改訂版では、16のソースから1,448の建物から収集された2,380エネルギーメーターから2000万点以上のトレーニングデータを提供した。
このコンペティションの全体的な目標は、4100万以上のプライベートおよびパブリックテストデータポイントの予測のための最も正確なモデリングソリューションを見つけることであった。
参加者は4,370人で、94カ国の3,614チームが39,403件の予測を提出した。
上位5つの勝利ワークフローに加えて、競合他社は40以上の完全なソリューションを含む415の再現可能なオンライン機械学習ワークフロー例(ノートブック)を公開している。
本稿では,コンペティションの準備とデータセット,競争相手とその議論,機械学習ワークフローとモデルの生成,勝者とその提案,学んだ教訓の議論,競技成果と次のステップについて概説する。
最もポピュラーで正確な機械学習ワークフローは、lightgbmのような勾配ブースティングツリーモデルの大規模なアンサンブルを使用していた。
最初の予測競合と同様に、データセットの事前処理が重要な差別化要因として現れた。
関連論文リスト
- Benchmarking Robustness and Generalization in Multi-Agent Systems: A
Case Study on Neural MMO [50.58083807719749]
IJCAI 2022で開催されている第2回Neural MMOチャレンジの結果を報告する。
この競合はマルチエージェントシステムの堅牢性と一般化をターゲットにしている。
環境ラッパー、ベースライン、可視化ツール、そしてさらなる研究のための選択されたポリシーを含むベンチマークをオープンソースにします。
論文 参考訳（メタデータ） (2023-08-30T07:16:11Z) - ICDAR 2023 Competition on Hierarchical Text Detection and Recognition [60.68100769639923]
このコンペティションは、テキストの検出と認識を共同で行うディープラーニングモデルとシステムの研究を促進することを目的としている。
提案するコンペティション組織の詳細について,タスク,データセット,評価,スケジュールなどを紹介する。
大会期間中(2023年1月2日から2023年4月1日まで)、20チーム以上から少なくとも50人が提案された2つのタスクで応募された。
論文 参考訳（メタデータ） (2023-05-16T18:56:12Z) - Retrospective on the 2021 BASALT Competition on Learning from Human
Feedback [92.37243979045817]
競争の目的は、人間のフィードバック(LfHF)技術から学び、オープンワールドの課題を解決するエージェントへの研究を促進することであった。
LfHF技術の使用を義務付けるのではなく、ビデオゲームMinecraftで達成すべき自然言語の4つのタスクについて説明した。
チームは、様々な可能な人間のフィードバックタイプにまたがる多様なLfHFアルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-04-14T17:24:54Z) - Gradient boosting machines and careful pre-processing work best: ASHRAE
Great Energy Predictor III lessons learned [0.0]
ASHRAE Great Energy Predictor III (GEPIII) は2019年後半に開催された。
それは、パフォーマンスの構築に焦点を当てた、これまでで最大の機械学習コンペティションの1つだった。
本稿では,参加者から学んだ教訓について概説する。
論文 参考訳（メタデータ） (2022-02-07T00:52:44Z) - Overview of the Arabic Sentiment Analysis 2021 Competition at KAUST [22.17427488246146]
本稿では,King Abdullah University of Science and Technology(KAUST)が主催するアラビア語知覚分析チャレンジの概要について述べる。
課題は、与えられたツイートをポジティブ、ネガティブ、中立の3つのカテゴリの1つに分類する機械学習モデルを開発することである。
本稿では,トップクラスのチームで使用される手法とツールをまとめた。
論文 参考訳（メタデータ） (2021-09-29T14:41:51Z) - Analysing Affective Behavior in the second ABAW2 Competition [70.86998050535944]
ABAW2 2021コンペティションは、IEEE FG 2020-コンペティションと共同で開催された最初の非常に成功したABAWコンペティションに続く第2回である。
論文 参考訳（メタデータ） (2021-06-14T11:30:19Z) - OpenKBP: The open-access knowledge-based planning grand challenge [0.6157382820537718]
我々は,2020年のAAPMグランドチャレンジであるOpenKBPを主催し,参加者にCT画像の量を予測する最善の方法の開発を依頼した。
1)3次元線量分布を評価する線量スコアと,(2)DVH測定値を評価する線量ヒストグラム(DVH)スコアの2つの異なるスコアで評価した。
チャレンジには28カ国から195人の参加者が参加し、73人の参加者が検証段階で44のチームを編成し、合計で1750の応募を受けた。
論文 参考訳（メタデータ） (2020-11-28T06:45:06Z) - Kaggle forecasting competitions: An overlooked learning opportunity [0.0]
実生活におけるビジネス予測タスクを含む6つのKaggleコンペティションの結果をレビューする。
その結果、Kaggleデータセットの大部分は、M競合よりも高い断続性とエントロピーによって特徴づけられることがわかった。
我々は、勾配を増す決定木の性能向上、予測のためのニューラルネットワークの成功の増加、予測タスクに機械学習モデルを適用するための様々なテクニックを見出した。
論文 参考訳（メタデータ） (2020-09-16T14:14:41Z) - Using Experts' Opinions in Machine Learning Tasks [0.0]
機械学習タスクにおける専門家の洞察を活用するための一般的な3段階のフレームワークを提案する。
ケーススタディでは,カグル競技会の焦点となったNCAA男子バスケットボールの試合を予測するタスクを選択した。
その結果、過去のモデルの性能と高いスコアは偶然の結果であり、優れた性能と安定したモデルによるものではないことが示唆された。
論文 参考訳（メタデータ） (2020-08-10T15:48:49Z) - Predicting Individual Treatment Effects of Large-scale Team Competitions
in a Ride-sharing Economy [47.47879093076968]
私たちは、主要なライドシェアリングプラットフォームによって組織された500以上の大規模なチームコンペティションから収集されたデータを分析します。
特徴と予測器を慎重に調査することで,サンプル外予測誤差を24%以上削減できる。
シミュレーション分析により、いくつかの競合設計オプションを変更するだけで、実際の競合に対する平均的な治療効果が最大26%増加することが予測されている。
論文 参考訳（メタデータ） (2020-08-07T22:01:50Z) - Analysing Affective Behavior in the First ABAW 2020 Competition [49.90617840789334]
ABAW(Affective Behavior Analysis in-the-Wild) 2020コンペティションは、3つの主要な行動タスクの自動分析を目的とした最初のコンペティションである。
アルゼンチンのブエノスアイレスで2020年5月に開催されたIEEE Face and Gesture Recognitionと共同で開催されるこのコンペティションについて説明する。
評価指標を概説し,ベースラインシステムとトップ3の実施するチームの方法論をチャレンジ毎に提示し,その結果を最終的に提示する。
論文 参考訳（メタデータ） (2020-01-30T15:41:14Z)
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。