論文の概要: COVID-19 and Digital Transformation -- Developing an Open Experimental
Testbed for Sustainable and Innovative Environments (ETSIE) using Fuzzy
Cognitive Maps
- arxiv url: http://arxiv.org/abs/2101.07509v2
- Date: Wed, 20 Jan 2021 11:28:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 18:11:23.334585
- Title: COVID-19 and Digital Transformation -- Developing an Open Experimental
Testbed for Sustainable and Innovative Environments (ETSIE) using Fuzzy
Cognitive Maps
- Title(参考訳): 新型コロナウイルスとデジタルトランスフォーメーション -- ファジィ認知マップを用いた持続的でイノベーティブな環境(ETSIE)のためのオープンな実験ベッドの開発
- Authors: Wolfgang H\"ohl
- Abstract要約: 本稿では,ファジィ・コグニティブ・マップ(FCM)を用いて,建築・都市計画におけるデジタルトランスフォーメーションの最適化とシミュレーションを行う。
従来の成長志向のシナリオ、COVID-19シナリオ、革新的で持続可能な新型コロナウイルスシナリオをモデル化し、テストする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper sketches a new approach using Fuzzy Cognitive Maps (FCMs) to
operably map and simulate digital transformation in architecture and urban
planning. Today these processes are poorly understood. Many current studies on
digital transformation are only treating questions of economic efficiency.
Sustainability and social impact only play a minor role. Decisive definitions,
concepts and terms stay unclear. Therefore this paper develops an open
experimental testbed for sustainable and innovative environments (ETSIE) for
three different digital transformation scenarios using FCMs. A traditional
growth-oriented scenario, a COVID-19 scenario and an innovative and sustainable
COVID-19 scenario are modeled and tested. All three scenarios have the same
number of components, connections and the same driver components. Only the
initial state vectors are different and the internal correlations are weighted
differently. This allows for comparing all three scenarios on an equal basis.
The mental modeler software is used (Gray et al. 2013). This paper presents one
of the first applications of FCMs in the context of digital transformation. It
is shown, that the traditional growth-oriented scenario is structurally very
similar to the current COVID-19 scenario. The current pandemic is able to
accelerate digital transformation to a certain extent. But the pandemic does
not guarantee for a distinct sustainable and innovative future development.
Only by changing the initial state vectors and the weights of the connections
an innovative and sustainable turnaround in a third scenario becomes possible.
- Abstract(参考訳): 本稿では,ファジィ・コグニティブ・マップ(FCM)を用いて,建築・都市計画におけるデジタルトランスフォーメーションの最適化とシミュレーションを行う。
今日ではこれらの過程はよく分かっていない。
デジタルトランスフォーメーションに関する多くの研究は、経済効率に関する問題のみを扱う。
持続可能性と社会的影響は小さな役割しか果たさない。
決定的な定義、概念、用語は不明確である。
そこで本稿では,fcmを用いた3種類のディジタルトランスフォーメーションシナリオのための,持続的・革新的環境(etsie)のためのオープン実験ベッドを開発した。
従来の成長志向のシナリオ、COVID-19シナリオ、革新的で持続可能な新型コロナウイルスシナリオをモデル化し、テストする。
3つのシナリオには、同じ数のコンポーネント、接続、同じドライバコンポーネントがあります。
初期状態ベクトルのみが異なり、内部相関は異なる重み付けされる。
これにより、3つのシナリオを等しく比較することができる。
メンタルモデラーソフトウェアが使用されている(Gray et al. 2013)。
本稿ではデジタルトランスフォーメーションの文脈におけるFCMの最初の応用について述べる。
従来の成長志向のシナリオは、現在のcovid-19シナリオと構造的に非常によく似ていることが示されている。
現在のパンデミックは、デジタルトランスフォーメーションをある程度加速させることができる。
しかし、パンデミックは持続可能で革新的な将来の発展を保証しない。
初期状態ベクトルと接続の重みを変更するだけで、3つ目のシナリオで革新的で持続可能なターンアラウンドが可能になる。
関連論文リスト
- Digital Twin Framework for Optimal and Autonomous Decision-Making in
Cyber-Physical Systems: Enhancing Reliability and Adaptability in the Oil and
Gas Industry [0.0]
本研究は,石油・ガス産業におけるガスリフトプロセスに適用可能な,最適かつ自律的な意思決定のためのディジタルツインフレームワークを提案する。
このフレームワークは、ベイジアン推論、モンテカルロシミュレーション、トランスファーラーニング、オンライン学習、そしてDTに認知を与える新しい戦略を組み合わせたものである。
論文 参考訳(メタデータ) (2023-11-21T18:02:52Z) - Transferability and explainability of deep learning emulators for
regional climate model projections: Perspectives for future applications [0.4821250031784094]
地域気候モデル (RCM) は、地域気候の変動と変化をシミュレートし、研究するための重要なツールである。
ディープラーニングモデルは、モデルをトレーニングするために短いRCMシミュレーションのみを必要とするコスト効率が高く、有望な代替手段として導入されている。
本稿では,文献(PPとMOS)における2つの異なるエミュレーション手法について考察する。
いずれの手法も、異なる期間とシナリオ(ソフトトランスファービリティ)でRCMの気候特性をエミュレートできるが、エミュレーション関数の一貫性はアプローチによって異なる。
論文 参考訳(メタデータ) (2023-11-01T00:44:39Z) - Visual Reasoning: from State to Transformation [80.32402545546209]
既存の視覚的推論タスクは重要な要素、すなわち変換を無視している。
本稿では,新しいテキスト変換駆動型視覚推論(TVR)タスクを提案する。
現状のビジュアル推論モデルは,Basic上では良好に機能するが,イベント,ビュー,TRANCOにおける人間レベルのインテリジェンスには程遠いことを示す。
論文 参考訳(メタデータ) (2023-05-02T14:24:12Z) - Confident Adaptive Language Modeling [95.45272377648773]
CALMは、入力と生成時間ごとに異なる量の計算を動的に割り当てるフレームワークである。
ハイパフォーマンスを確実に維持しつつ、計算能力、潜在的スピードアップを最大3ドルまで削減する上で、我々のフレームワークの有効性を実証する。
論文 参考訳(メタデータ) (2022-07-14T17:00:19Z) - Variational Causal Dynamics: Discovering Modular World Models from
Interventions [25.084146613277973]
後期世界モデルでは、エージェントは高次元の観測で複雑な環境を推論することができる。
本稿では,環境間の因果的メカニズムの不変性を利用した構造化世界モデルである,変分因果ダイナミクス(VCD)を提案する。
論文 参考訳(メタデータ) (2022-06-22T14:28:40Z) - Analogous to Evolutionary Algorithm: Designing a Unified Sequence Model [58.17021225930069]
実演的進化アルゴリズム(EA)と類似した視覚変換器の合理性について説明する。
我々は、より効率的なEATモデルを提案し、様々なタスクに柔軟に対処するタスク関連ヘッドを設計する。
近年のビジョントランスに比べて,イメージネット分類作業における最先端の成果が得られている。
論文 参考訳(メタデータ) (2021-05-31T16:20:03Z) - Three Steps to Multimodal Trajectory Prediction: Modality Clustering,
Classification and Synthesis [54.249502356251085]
我々は新しい予測フレームワークと共に新しい洞察を示す。
提案手法は、社会情報や地図情報を導入することなく、最先端の作品を超える。
論文 参考訳(メタデータ) (2021-03-14T06:21:03Z) - Transformation Driven Visual Reasoning [80.32402545546209]
本稿では,重要な要因,すなわちトランスフォーメーションを導入することで,新たな視覚的推論パラダイムを定義する。
この種のテキスト状態駆動型視覚推論アプローチは、マシンが異なる状態間のダイナミクスを推論する能力を持っているかどうかを反映する限界がある、と我々は主張する。
実験結果から,現在最先端の視覚推論モデルは,Basic上では良好に動作するが,イベントやビューにおける人間レベルのインテリジェンスには程遠いことが示唆された。
論文 参考訳(メタデータ) (2020-11-26T07:11:31Z) - Confidence-rich grid mapping [19.530047371535147]
環境の表現は、未知の環境でロボットが自律的に行動できるようにするための基本的なタスクである。
空間グリッドを用いた3次元環境マッピングのための新しいアルゴリズムである信頼度豊かなマッピングを提案する。
実世界の実験において,従来の手法よりも精度の高い写像を実現することに加えて,提案手法は誤差と報告された信頼度との間の一貫性をはるかに高めることを示した。
論文 参考訳(メタデータ) (2020-06-29T00:21:30Z) - RoboTHOR: An Open Simulation-to-Real Embodied AI Platform [56.50243383294621]
インタラクティブで具体化された視覚AIの研究を民主化するためにRoboTHORを導入する。
シミュレーションで訓練されたモデルの性能は,シミュレーションと慎重に構築された物理アナログの両方で試験される場合,大きな差があることが示される。
論文 参考訳(メタデータ) (2020-04-14T20:52:49Z)
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。