論文の概要: A Survey on Deep Reinforcement Learning for Data Processing and
Analytics
- arxiv url: http://arxiv.org/abs/2108.04526v1
- Date: Tue, 10 Aug 2021 09:14:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-11 14:12:45.149201
- Title: A Survey on Deep Reinforcement Learning for Data Processing and
Analytics
- Title(参考訳): データ処理と分析のための深層強化学習に関する研究
- Authors: Qingpeng Cai, Can Cui, Yiyuan Xiong, Zhongle Xie and Meihui Zhang
- Abstract要約: 深層強化学習を活用したデータ処理と分析の改善に焦点をあてた最近の研究成果を概観する。
まず, 深層強化学習における鍵となる概念, 理論, 方法を紹介する。
次に、データベースシステムにおける深層強化学習の展開について論じ、データ処理と分析を容易にする。
- 参考スコア(独自算出の注目度): 12.640031916662753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data processing and analytics are fundamental and pervasive. Algorithms play
a vital role in data processing and analytics where many algorithm designs have
incorporated heuristics and general rules from human knowledge and experience
to improve their effectiveness. Recently, reinforcement learning, deep
reinforcement learning (DRL) in particular, is increasingly explored and
exploited in many areas because it can learn better strategies in complicated
environments it is interacting with than statically designed algorithms.
Motivated by this trend, we provide a comprehensive review of recent works
focusing on utilizing deep reinforcement learning to improve data processing
and analytics. First, we present an introduction to key concepts, theories, and
methods in deep reinforcement learning. Next, we discuss deep reinforcement
learning deployment on database systems, facilitating data processing and
analytics in various aspects, including data organization, scheduling, tuning,
and indexing. Then, we survey the application of deep reinforcement learning in
data processing and analytics, ranging from data preparation, natural language
interface to healthcare, fintech, etc. Finally, we discuss important open
challenges and future research directions of using deep reinforcement learning
in data processing and analytics.
- Abstract(参考訳): データ処理と分析は基本的で普及している。
アルゴリズムは、多くのアルゴリズム設計が人間の知識と経験からヒューリスティックと一般的なルールを取り入れ、その効果を向上させるためにデータ処理と分析において重要な役割を果たす。
近年、強化学習、特に深層強化学習(DRL)は、静的設計アルゴリズムよりも複雑な環境でのより良い戦略を学習できるため、多くの分野で研究され、活用されている。
この傾向に動機づけられて,深層強化学習によるデータ処理と分析の改善に焦点を当てた最近の研究の包括的レビューを行った。
まず,深層強化学習における重要な概念,理論,手法について紹介する。
次に、データベースシステムにおける深層強化学習の展開について論じ、データ構造、スケジューリング、チューニング、インデックス化など、さまざまな面でデータ処理と分析を容易にする。
次に,データ準備,自然言語インターフェースから医療,フィンテックに至るまで,データ処理と分析における深層強化学習の応用について調査した。
最後に,データ処理と分析における深層強化学習の課題と今後の研究方向性について論じる。
関連論文リスト
- Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳(メタデータ) (2024-09-27T06:31:03Z) - Benchmarking Data Science Agents [11.582116078653968]
大規模言語モデル(LLM)は、データサイエンスエージェントとして有望な支援として登場し、データ分析と処理において人間を支援している。
しかし、現実の応用の様々な要求と複雑な分析プロセスによって、それらの実用的有効性は依然として制限されている。
我々は、新しい評価パラダイムであるDSEvalと、これらのエージェントの性能を評価するための一連の革新的なベンチマークを紹介する。
論文 参考訳(メタデータ) (2024-02-27T03:03:06Z) - Advancing Deep Active Learning & Data Subset Selection: Unifying
Principles with Information-Theory Intuitions [3.0539022029583953]
本論文は,ディープラーニングモデルのラベルとトレーニング効率を向上させることにより,ディープラーニングの実践性を高めることを目的とする。
本稿では,情報理論の原理に基づくデータサブセット選択手法,特にアクティブラーニングとアクティブサンプリングについて検討する。
論文 参考訳(メタデータ) (2024-01-09T01:41:36Z) - A Comprehensive Survey on Deep Learning Techniques in Educational Data Mining [26.349367339930083]
教育データマイニング(EDM: Educational Data Mining)は、計算技術の力を利用して教育データを分析する研究分野として発展してきた。
ディープラーニング技術は、データの分析とモデリングに関わる課題に対処する上で、大きな利点を示してきた。
この調査は、Deep LearningによるEDMの最先端を体系的にレビューすることを目的としている。
論文 参考訳(メタデータ) (2023-09-09T11:20:40Z) - Unveiling the frontiers of deep learning: innovations shaping diverse
domains [6.951472438774211]
ディープラーニング(DL)は、学習、視覚化、最適化、精錬、予測が可能なコンピュータモデルの開発を可能にする。
DLは、オーディオ視覚データ処理、農業、交通予測、自然言語、バイオメディシン、災害管理、バイオインフォマティクス、薬物設計、ゲノム学、顔認識、生態学など、様々な分野に適用されている。
本稿では,すべての研究分野におけるディープラーニングの適用可能性と,関連するメリットと課題について検討する。
論文 参考訳(メタデータ) (2023-09-06T04:50:39Z) - On Efficient Training of Large-Scale Deep Learning Models: A Literature
Review [90.87691246153612]
ディープラーニングの分野は特にコンピュータビジョン(CV)、自然言語処理(NLP)、音声などにおいて大きな進歩を遂げている。
大量のデータに基づいてトレーニングされた大規模なモデルを使用することは、実用的なアプリケーションにとって大きな可能性を秘めている。
計算能力の需要が増大する中で、ディープラーニングモデルの訓練の加速技術に関する包括的な要約が期待されている。
論文 参考訳(メタデータ) (2023-04-07T11:13:23Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳(メタデータ) (2022-07-18T11:38:32Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳(メタデータ) (2022-04-29T08:06:05Z) - Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory
to Learning Algorithms [91.3755431537592]
プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。
この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
論文 参考訳(メタデータ) (2021-01-26T17:11:40Z) - Graph signal processing for machine learning: A review and new
perspectives [57.285378618394624]
本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。
本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。
我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
論文 参考訳(メタデータ) (2020-07-31T13:21:33Z) - Natural Language Processing Advancements By Deep Learning: A Survey [0.755972004983746]
この調査は、ディープラーニングの恩恵を受けたNLPのさまざまな側面と応用を分類し、対処する。
コアNLPタスクとアプリケーションをカバーするもので、深層学習手法とモデルがどのようにこれらの領域を前進させるかを記述している。
論文 参考訳(メタデータ) (2020-03-02T21:32:05Z)
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。