論文の概要: A Methodological Approach to Model CBR-based Systems
- arxiv url: http://arxiv.org/abs/2009.04346v1
- Date: Wed, 9 Sep 2020 15:09:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 09:04:44.107446
- Title: A Methodological Approach to Model CBR-based Systems
- Title（参考訳）: モデルCBRシステムへの方法論的アプローチ
- Authors: Eliseu M. Oliveira and Rafael F. Reale and Joberto S. B. Martins
- Abstract要約: ケースベースの推論(CBR)は、管理、医療、デザイン、建設、小売、スマートグリッドといった領域で集中的に利用されるAI技術である。
主なCBRデプロイメントの課題の1つは、ターゲットのシステムモデリングプロセスである。
本稿では,CBRに基づくアプリケーションをモデル化するための方法論的アプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) has been used in various areas to support system
optimization and find solutions where the complexity makes it challenging to
use algorithmic and heuristics. Case-based Reasoning (CBR) is an AI technique
intensively exploited in domains like management, medicine, design,
construction, retail and smart grid. CBR is a technique for problem-solving and
captures new knowledge by using past experiences. One of the main CBR
deployment challenges is the target system modeling process. This paper
presents a straightforward methodological approach to model CBR-based
applications using the concepts of abstract and concrete models. Splitting the
modeling process with two models facilitates the allocation of expertise
between the application domain and the CBR technology. The methodological
approach intends to facilitate the CBR modeling process and to foster CBR use
in various areas outside computer science.
- Abstract（参考訳）: 人工知能(AI)は、システムの最適化をサポートし、複雑さがアルゴリズムやヒューリスティックスの使用を困難にしているソリューションを見つけるために、さまざまな分野で使用されている。
ケースベースの推論(CBR)は、管理、医療、デザイン、建設、小売、スマートグリッドといった領域で集中的に利用されるAI技術である。
CBRは、過去の経験を生かして、新しい知識を捉え、獲得するテクニックである。
主なCBRデプロイメントの課題の1つは、ターゲットのシステムモデリングプロセスである。
本稿では,抽象的および具体的モデルの概念を用いて,CBRに基づくアプリケーションをモデル化する手法を提案する。
2つのモデルでモデリングプロセスを分割することで、アプリケーションドメインとCBR技術の間の専門知識の割り当てが容易になります。
方法論的アプローチは、CBRモデリングプロセスの促進と、コンピュータ科学以外の様々な分野におけるCBRの使用促進を目的としている。
関連論文リスト
- BRiTE: Bootstrapping Reinforced Thinking Process to Enhance Language Model Reasoning [78.63421517563056]
大規模言語モデル(LLM)は複雑な推論タスクにおいて顕著な機能を示した。
本稿では,新しいグラフィカルモデルを用いてLLM推論を定式化する統一確率的フレームワークを提案する。
本稿では,Bootstrapping Reinforced Thinking Process (BRiTE)アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2025-01-31T02:39:07Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - Knowledge Graph Modeling-Driven Large Language Model Operating System (LLM OS) for Task Automation in Process Engineering Problem-Solving [0.0]
本稿では,化学・プロセス産業における複雑な問題の解決を目的としたAI駆動型フレームワークであるプロセスエンジニアリングオペレーションアシスタント(PEOA)を紹介する。
このフレームワークはメタエージェントによって構成されたモジュラーアーキテクチャを採用しており、中央コーディネータとして機能している。
その結果、計算の自動化、プロトタイピングの高速化、産業プロセスに対するAIによる意思決定支援におけるフレームワークの有効性が示された。
論文 参考訳（メタデータ） (2024-08-23T13:52:47Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - A Case-Based Persistent Memory for a Large Language Model [0.0]
問題解決の方法論としてのケースベース推論(CBR)は、任意の適切な計算手法を用いることができる。
最近のAIのブレークスルーを可能にした基盤となる技術開発は、CBRと強力なシナジーを持っている。
論文 参考訳（メタデータ） (2023-10-13T03:56:38Z) - REX: Rapid Exploration and eXploitation for AI Agents [103.68453326880456]
本稿では、REXと呼ばれるAIエージェントのための高速探索およびeXploitationのための改良されたアプローチを提案する。
REXは追加の報酬層を導入し、アッパー信頼境界(UCB)スコアに似た概念を統合し、より堅牢で効率的なAIエージェントのパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2023-07-18T04:26:33Z) - Active Learning of Markov Decision Processes using Baum-Welch algorithm
(Extended) [0.0]
本稿では,マルコフ決定過程とマルコフ連鎖を学習するためのBaum-Welchアルゴリズムを再検討し,適応する。
本研究では,本手法を最先端のツールと実証的に比較し,提案手法が正確なモデルを得るために必要な観測回数を大幅に削減できることを実証する。
論文 参考訳（メタデータ） (2021-10-06T18:54:19Z) - quantum Case-Based Reasoning (qCBR) [0.0]
Case-Based Reasoning(CBR)は、優れた実績を持つ問題解決のための人工知能アプローチです。
本稿では,量子ケースベース推論(quantum case-based reasoning, qcbr)パラダイムを用いて,cbrの重要なプロセスを改善することを提案する。
論文 参考訳（メタデータ） (2021-04-01T11:34:22Z) - Model-Based Machine Learning for Communications [110.47840878388453]
モデルベースのアルゴリズムと機械学習をハイレベルな視点で組み合わせるための既存の戦略を見直します。
通信受信機の基本的なタスクの一つであるシンボル検出に注目する。
論文 参考訳（メタデータ） (2021-01-12T19:55:34Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z)
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。