論文の概要: Real-Time Neural Network Scheduling of Emergency Medical Mask Production
during COVID-19
- arxiv url: http://arxiv.org/abs/2007.14055v1
- Date: Tue, 28 Jul 2020 08:18:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 01:53:44.079485
- Title: Real-Time Neural Network Scheduling of Emergency Medical Mask Production
during COVID-19
- Title（参考訳）: 新型コロナウイルスによる緊急医療マスク生産のリアルタイムニューラルネットワークスケジューリング
- Authors: Chen-Xin Wu, Min-Hui Liao, Mumtaz Karatas, Sheng-Yong Chen and Yu-Jun
Zheng
- Abstract要約: リアルタイム生産タスクをスケジューリングするためのエンドツーエンドニューラルネットワークを提案する。
ニューラルネットワークスケジューラは数秒で数百のタスクで問題インスタンスを解くことができる。
- 参考スコア（独自算出の注目度）: 13.860486721004897
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: During the outbreak of the novel coronavirus pneumonia (COVID-19), there is a
huge demand for medical masks. A mask manufacturer often receives a large
amount of orders that are beyond its capability. Therefore, it is of critical
importance for the manufacturer to schedule mask production tasks as
efficiently as possible. However, existing scheduling methods typically require
a considerable amount of computational resources and, therefore, cannot
effectively cope with the surge of orders. In this paper, we propose an
end-to-end neural network for scheduling real-time production tasks. The neural
network takes a sequence of production tasks as inputs to predict a
distribution over different schedules, employs reinforcement learning to
optimize network parameters using the negative total tardiness as the reward
signal, and finally produces a high-quality solution to the scheduling problem.
We applied the proposed approach to schedule emergency production tasks for a
medical mask manufacturer during the peak of COVID-19 in China. Computational
results show that the neural network scheduler can solve problem instances with
hundreds of tasks within seconds. The objective function value (i.e., the total
weighted tardiness) produced by the neural network scheduler is significantly
better than those of existing constructive heuristics, and is very close to
those of the state-of-the-art metaheuristics whose computational time is
unaffordable in practice.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)の感染拡大に伴い、医療用マスクの需要が高まっている。
マスクメーカーは、その能力を超える大量の注文を受け取ることが多い。
そのため、マスク製造業務を効率的に行うことが、製造者にとって極めて重要である。
しかし、既存のスケジューリング手法は一般的にかなりの量の計算資源を必要とするため、注文の急増に効果的に対応できない。
本稿では,リアルタイム生産タスクをスケジューリングするためのエンドツーエンドニューラルネットワークを提案する。
ニューラルネットワークは、複数の生産タスクのシーケンスを入力として、異なるスケジュール上の分布を予測し、強化学習を用いて、負の総ターダネスを報奨信号として、ネットワークパラメータを最適化し、最終的にスケジューリング問題に対する高品質なソリューションを生成する。
提案手法を適用して,中国における新型コロナウイルスのピーク時に医療マスクメーカーの緊急生産業務を計画した。
計算結果は、ニューラルネットワークスケジューラが数秒で数百のタスクで問題インスタンスを解決できることを示しています。
ニューラルネットワークスケジューラが生成する客観的関数値(すなわち、トータル重み付きターダネス)は、既存の構成的ヒューリスティックスよりも著しく優れており、計算時間が実際には不可能である最先端のメタヒューリスティックスと非常に近い。
関連論文リスト
- Constraint Guided Model Quantization of Neural Networks [0.0]
Constraint Guided Model Quantization (CGMQ) は、計算資源の上限を使い、ニューラルネットワークのパラメータのビット幅を削減する量子化対応トレーニングアルゴリズムである。
MNISTでは、CGMQの性能が最先端の量子化対応トレーニングアルゴリズムと競合していることが示されている。
論文 参考訳（メタデータ） (2024-09-30T09:41:16Z) - Erasure Coded Neural Network Inference via Fisher Averaging [28.243239815823205]
消去符号化コンピューティングは、サーバのストラグリングや異種トラフィックの変動といった要因によって引き起こされるテールレイテンシを低減するために、クラウドシステムで成功している。
我々は、2つ以上のニューラルネットワークモデルに対して、与えられたニューラルネットワークの出力の線形結合である符号付きモデルを構築する方法を設計する。
実世界のビジョンデータセットに基づいてトレーニングされたニューラルネットワーク上で消去符号化を行う実験を行い、COINを用いた復号出力の精度は他のベースラインよりも著しく高いことを示す。
論文 参考訳（メタデータ） (2024-09-02T18:46:26Z) - HARL: Hierarchical Adaptive Reinforcement Learning Based Auto Scheduler
for Neural Networks [51.71682428015139]
効率的なテンソルプログラム探索のための強化学習に基づく自動スケジューリングシステムであるHARLを提案する。
HarLは、最先端のオートスケジューラと比較して、テンソル演算子の性能を22%改善し、探索速度を4.3倍改善する。
また、エンドツーエンドのニューラルネットワークでは、推論性能と探索速度も大幅に向上する。
論文 参考訳（メタデータ） (2022-11-21T04:15:27Z) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳（メタデータ） (2022-11-19T15:44:08Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Deep Reinforcement Learning for System-on-Chip: Myths and Realities [0.0]
本稿では,SoC(System-on-Chip)リソース割り当て領域におけるニューラルスケジューラの実現可能性について検討する。
我々の新しいニューラルスケジューラ技術であるEclectic Interaction Matching (EIM)は、上記の課題を克服する。
論文 参考訳（メタデータ） (2022-07-29T10:26:38Z) - Computation Offloading and Resource Allocation in F-RANs: A Federated
Deep Reinforcement Learning Approach [67.06539298956854]
フォグ無線アクセスネットワーク(フォグ無線アクセスネットワーク、F-RAN)は、ユーザのモバイルデバイス(MD)が計算タスクを近くのフォグアクセスポイント(F-AP)にオフロードできる有望な技術である。
論文 参考訳（メタデータ） (2022-06-13T02:19:20Z) - Bilinear Input Normalization for Neural Networks in Financial
Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。
提案手法は,財務時系列のバイモーダル特性を考慮したものである。
我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文 参考訳（メタデータ） (2021-09-01T07:52:03Z) - Apply Artificial Neural Network to Solving Manpower Scheduling Problem [15.848399017432262]
本稿では,マルチシフトマンパワースケジューリング問題を解決するために,ディープラーニングと組み合わせた新しいモデルを提案する。
我々は,時系列に基づくニューラルネットワークトレーニング手法を用いて,長期・長期のスケジューリング課題を解決する。
我々の研究は、ニューラルネットワークとディープラーニング戦略が、同様の問題を効果的に解決する可能性を示唆している。
論文 参考訳（メタデータ） (2021-05-07T23:54:00Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳（メタデータ） (2021-01-05T03:55:04Z) - Deep Reinforcement Learning for Delay-Oriented IoT Task Scheduling in
Space-Air-Ground Integrated Network [24.022108191145527]
宇宙空間統合ネットワーク(SAGIN)における遅延指向モノのインターネット(IoT)サービスにおけるタスクスケジューリング問題について検討する。
検討されたシナリオでは、無人航空機(UAV)がIoTデバイスからコンピューティングタスクを収集し、オンラインのオフロード決定を行う。
我々の目的は、UAVエネルギー容量の制約により、タスクのオフロードと計算遅延を最小限に抑えるタスクスケジューリングポリシーを設計することである。
論文 参考訳（メタデータ） (2020-10-04T02:58:03Z)
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。