論文の概要: Forming Ensembles at Runtime: A Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2104.14848v1
- Date: Fri, 30 Apr 2021 08:58:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 13:34:53.339888
- Title: Forming Ensembles at Runtime: A Machine Learning Approach
- Title（参考訳）: 実行時にアンサンブルを形成する:機械学習アプローチ
- Authors: Tom\'a\v{s} Bure\v{s}, Ilias Gerostathopoulos, Petr Hn\v{e}tynka, Jan
Pacovsk\'y
- Abstract要約: サイバー物理と社会技術システムの上に構築されたスマートシステムアプリケーション(SSA)は、自律的かつ相互に協力して動作するコンポーネントで構成されています。
SSAの協力を可能にする1つのアプローチは、実行時にコンポーネント間の動的協調グループアンサンブルを形成することである。
すべてのコンポーネントは実行時に可能なすべてのアンサンブルの潜在的なメンバであるため、これは計算上難しい問題です。
本稿では,アンサンブル形成問題を分類問題として再キャストし,機械学習を用いて大規模にアンサンブルを形成する手法を提案する。
- 参考スコア（独自算出の注目度）: 7.535426954033742
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Smart system applications (SSAs) built on top of cyber-physical and
socio-technical systems are increasingly composed of components that can work
both autonomously and by cooperating with each other. Cooperating robots,
fleets of cars and fleets of drones, emergency coordination systems are
examples of SSAs. One approach to enable cooperation of SSAs is to form dynamic
cooperation groups-ensembles-between components at runtime. Ensembles can be
formed based on predefined rules that determine which components should be part
of an ensemble based on their current state and the state of the environment
(e.g., "group together 3 robots that are closer to the obstacle, their battery
is sufficient and they would not be better used in another ensemble"). This is
a computationally hard problem since all components are potential members of
all possible ensembles at runtime. In our experience working with ensembles in
several case studies the past years, using constraint programming to decide
which ensembles should be formed does not scale for more than a limited number
of components and ensembles. Also, the strict formulation in terms of hard/soft
constraints does not easily permit for runtime self-adaptation via learning.
This poses a serious limitation to the use of ensembles in large-scale and
partially uncertain SSAs. To tackle this problem, in this paper we propose to
recast the ensemble formation problem as a classification problem and use
machine learning to efficiently form ensembles at scale.
- Abstract（参考訳）: サイバー物理システムと社会技術システムの上に構築されたスマートシステムアプリケーション(SSAs)は、自律的および相互に協調して動作するコンポーネントで構成されている。
ロボットの協力、自動車の艦隊、ドローンの艦隊、緊急調整システムはSSAの例である。
SSAの協調を可能にする1つのアプローチは、実行時に動的協調グループ-アンサンブルコンポーネントを形成することである。
アンサンブルは、その現在の状態と環境の状態に基づいてアンサンブルの一部であるべきコンポーネントを決定する事前定義されたルールに基づいて形成することができる(例えば、「障害物に近い3つのロボットをグループ化し、そのバッテリが十分であり、他のアンサンブルではより良く使用できない」)。
すべてのコンポーネントは実行時に可能なすべてのアンサンブルの潜在的なメンバであるため、これは計算上難しい問題です。
過去数年間、いくつかのケーススタディでアンサンブルを使った経験から、どのアンサンブルを作るべきかを決める制約プログラミングは、限られた数のコンポーネントやアンサンブルに対してスケールしない。
また、ハード/ソフト制約の観点からの厳格な定式化は、学習による実行時の自己適応を容易にはできない。
これは、大規模かつ部分的に不確実なSSAにおけるアンサンブルの使用に深刻な制限をもたらす。
そこで本研究では,アンサンブル形成問題を分類問題として再キャストし,機械学習を用いて大規模にアンサンブルを形成する手法を提案する。
関連論文リスト
- GRAPE-S: Near Real-Time Coalition Formation for Multiple Service
Collectives [0.0]
GRAPEとサービスモデルを統合し、GRAPE-SとPair-GRAPE-Sを生成する。
GRAPE-Sは、ターゲット領域の連立形成要求を満たし、ほぼリアルタイムで最適解を生成する。
Pair-GRAPE-Sはドメイン要件を満たし、ほぼリアルタイムで最適解を生成する。
論文 参考訳（メタデータ） (2023-10-19T05:36:00Z) - ASAP: Automated Sequence Planning for Complex Robotic Assembly with
Physical Feasibility [27.424678100675163]
本稿では,一般型アセンブリのシーケンスを自動生成する物理ベースの計画手法であるASAPを提案する。
サーチは、シミュレーションラベルでデータに基づいてトレーニングされた幾何学的またはグラフニューラルネットワークによってガイドすることができる。
数百の複雑な製品集合体からなる大規模データセット上で, 物理的に現実的な組み立て計画を生成する上で, ASAPの優れた性能を示す。
論文 参考訳（メタデータ） (2023-09-29T00:27:40Z) - The Viability of Domain Constrained Coalition Formation for Robotic
Collectives [0.0]
軍事・災害対応アプリケーションは、複数の協調作業を行うロボット集団の能力の恩恵を受けることができる。
協調形成アルゴリズムは、適切なタスクチームへの集合ロボットの割り当てを促進する可能性がある。
この写本は、非常に大規模な集団のための連立形成アルゴリズムの設計に固有の課題を特定する。
論文 参考訳（メタデータ） (2023-06-08T23:28:41Z) - Policy Architectures for Compositional Generalization in Control [71.61675703776628]
本稿では,タスクにおけるエンティティベースの構成構造をモデル化するためのフレームワークを提案する。
私たちのポリシーは柔軟で、アクションプリミティブを必要とせずにエンドツーエンドでトレーニングできます。
論文 参考訳（メタデータ） (2022-03-10T06:44:24Z) - Cooperative Task and Motion Planning for Multi-Arm Assembly Systems [32.56644393804845]
マルチロボット組立システムは、製造においてますます魅力的になりつつある。
それぞれのロボットがアイドルではなく同時に生産されることを保証する方法でこれらのシステムを計画することは困難である。
本稿では,ロボットのチームが複雑な空間構造を組み立てるための安全で低リスクな計画と協調的に計画するタスク・アンド・モーション・プランニング・フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-04T18:12:49Z) - Distributed Deep Learning in Open Collaborations [49.240611132653456]
協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。
現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2021-06-18T16:23:13Z) - Composable Learning with Sparse Kernel Representations [110.19179439773578]
再生カーネルヒルベルト空間におけるスパース非パラメトリック制御系を学習するための強化学習アルゴリズムを提案する。
正規化アドバンテージ関数を通じてステートアクション関数の構造を付与することにより、このアプローチのサンプル複雑さを改善します。
2次元環境下を走行しながらレーザースキャナーを搭載したロボットの複数シミュレーションにおける障害物回避政策の学習に関するアルゴリズムの性能を実証する。
論文 参考訳（メタデータ） (2021-03-26T13:58:23Z) - CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and
Transfer Learning [138.40338621974954]
CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。
タスクは、ブロックのセットから3D形状を構築することで構成される。
論文 参考訳（メタデータ） (2020-10-08T23:01:13Z) - Cooperative Control of Mobile Robots with Stackelberg Learning [63.99843063704676]
マルチロボットの協力は、エージェントが共通の目標に整合性を持たなければならない。
協調制御におけるスタックルバーグ学習という手法を提案する。
論文 参考訳（メタデータ） (2020-08-03T07:21:51Z) - Combining Machine Learning with Knowledge-Based Modeling for Scalable
Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal
Systems [48.7576911714538]
我々は、過去のデータを予測に組み込む上で、機械学習を必須のツールとして活用しようと試みる。
i)並列機械学習予測手法と(ii)ハイブリッド手法の2つの手法を組み合わせて,知識ベースコンポーネントと機械学習ベースコンポーネントからなる複合予測システムを提案する。
i) と (ii) を組み合わせることで、非常に大規模なシステムに優れた性能を与えることができるだけでなく、並列機械学習コンポーネントを訓練するのに必要となる時系列データの長さが、並列化なしで必要なものよりも劇的に少ないことを実証した。
論文 参考訳（メタデータ） (2020-02-10T23:21:50Z)
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。