論文の概要: Ideal Partition of Resources for Metareasoning
- arxiv url: http://arxiv.org/abs/2110.09624v1
- Date: Mon, 18 Oct 2021 21:20:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-21 02:24:05.738775
- Title: Ideal Partition of Resources for Metareasoning
- Title(参考訳): メタエリアソナーリングのための資源の理想的分割
- Authors: Eric Horvitz and John Breese
- Abstract要約: メタ推論や制御に適用したいリソースの一部を、ソリューションプランの実行よりも決定することが重要です。
最近の合理的エージェンシーの研究は、メタレゾン機構による資源消費を制限することの重要性を強調している。
- 参考スコア(独自算出の注目度): 28.275947057354994
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We can achieve significant gains in the value of computation by metareasoning
about the nature or extent of base-level problem solving before executing a
solution. However, resources that are irrevocably committed to metareasoning
are not available for executing a solution. Thus, it is important to determine
the portion of resources we wish to apply to metareasoning and control versus
to the execution of a solution plan. Recent research on rational agency has
highlighted the importance of limiting the consumption of resources by
metareasoning machinery. We shall introduce the metareasoning-partition
problem--the problem of ideally apportioning costly reasoning resources to
planning a solution versus applying resource to executing a solution to a
problem. We exercise prototypical metareasoning-partition models to probe the
relationships between time allocated to metareasoning and to execution for
different problem classes. Finally, we examine the value of metareasoning in
the context of our functional analyses.
- Abstract(参考訳): 我々は,解を実行する前に,基礎レベルの問題解決の性質や程度をメタ推論することで,計算値の大幅な向上を実現することができる。
しかし、メタ推論に不当にコミットされているリソースは、ソリューションの実行には利用できない。
したがって、メタ推論や制御に適用したいリソースの一部を決定することは、ソリューションプランの実行よりも重要である。
近年,機械のメタレゾン化による資源消費抑制の重要性が注目されている。
問題に対する解決策の実行に資源を適用するのに対して、コストのかかる推論資源を計画計画に理想的に割り当てる問題である。
メタレゾン化時間と異なる問題クラスに対する実行時間の関係を探索するために, 原型メタレソン化分割モデルを訓練する。
最後に,機能解析の文脈におけるメタレゾニングの価値を検討する。
関連論文リスト
- Divide-or-Conquer? Which Part Should You Distill Your LLM? [40.563633582127316]
我々は、推論タスクを問題解決フェーズと問題解決フェーズに分解する同様の戦略を考案する。
戦略が単一ステージソリューションより優れていることを示す。
論文 参考訳(メタデータ) (2024-02-22T22:28:46Z) - Estimating Barycenters of Distributions with Neural Optimal Transport [96.79562439021494]
本稿では,Wasserstein Barycenter問題を解くための新しいスケーラブルなアプローチを提案する。
我々の手法は最近のNeural OTソルバをベースとしている。
また,提案手法の理論的誤差境界も確立する。
論文 参考訳(メタデータ) (2024-02-06T09:17:07Z) - Proactive Resource Request for Disaster Response: A Deep Learning-based
Optimization Model [0.2580765958706854]
我々は,要求される資源の最適量を積極的に決定する新たな資源管理問題を開発する。
我々は,問題の健全な特性を考慮に入れ,今後の需要予測のための新しいディープラーニング手法を開発した。
実世界とシミュレーションデータの両方を用いて,既存手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-07-31T13:44:01Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳(メタデータ) (2022-01-28T05:53:28Z) - Automated Machine Learning, Bounded Rationality, and Rational
Metareasoning [62.997667081978825]
有界合理性の観点から、自動機械学習(AutoML)と関連する問題を考察する。
リソース境界の下でアクションを取るには、エージェントがこれらのリソースを最適な方法で利用する方法を反映する必要がある。
論文 参考訳(メタデータ) (2021-09-10T09:10:20Z) - Diversity in Kemeny Rank Aggregation: A Parameterized Approach [3.6603644500568806]
ソリューション多様性と呼ばれる最近の人工知能のトレンドは、最適性の概念の発展に焦点を当てている。
本研究では,この組み合わせがケメニー・ランク・アグリゲーションの分野に与える影響について検討する。
我々の主な成果は、線形に順序付けられた投票よりも伝統的な集計の設定を考えるときと、部分的に投票が順序付けられたより一般的な場合の両方に当てはまる。
論文 参考訳(メタデータ) (2021-05-19T21:50:03Z) - Computation Resource Allocation Solution in Recommender Systems [19.456109814747048]
限られた計算資源と応答時間でビジネス目標を最大化する計算資源割当ソリューション(CRAS)を提案します。
本手法の有効性はtaobao.comの実データに基づく広範囲な実験により検証された。
論文 参考訳(メタデータ) (2021-03-03T08:41:43Z) - Coordinated Online Learning for Multi-Agent Systems with Coupled
Constraints and Perturbed Utility Observations [91.02019381927236]
本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。
提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
論文 参考訳(メタデータ) (2020-10-21T10:11:17Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳(メタデータ) (2020-10-06T16:51:09Z) - Decentralized Reinforcement Learning: Global Decision-Making via Local
Economic Transactions [80.49176924360499]
我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。
我々は分散強化学習アルゴリズムのクラスを導出する。
我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
論文 参考訳(メタデータ) (2020-07-05T16:41:09Z)
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。