Fugu-MT 論文翻訳(概要): Forecasting emissions through Kaya identity using Neural Ordinary Differential Equations

論文の概要: Forecasting emissions through Kaya identity using Neural Ordinary Differential Equations

arxiv url: http://arxiv.org/abs/2201.02433v1
Date: Fri, 7 Jan 2022 12:34:01 GMT
ステータス: 処理完了
システム内更新日: 2022-01-10 14:44:28.472917
Title: Forecasting emissions through Kaya identity using Neural Ordinary Differential Equations
Title（参考訳）: ニューラル正規微分方程式を用いたカヤ同定による予測放出
Authors: Pierre Browne, Aranildo Lima, Rossella Arcucci, C\'esar Quilodr\'an-Casas
Abstract要約: 我々は、国家レベルでの炭素排出量に関連するいくつかの指標の進化を予測するために、Neural ODEモデルを用いている。この機械学習アプローチは、幅広い結果を生み出し、政策立案者に関連性のある洞察を与えるために使用できると結論付けている。
参考スコア（独自算出の注目度）: 3.4901787251083163
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Starting from the Kaya identity, we used a Neural ODE model to predict the evolution of several indicators related to carbon emissions, on a country-level: population, GDP per capita, energy intensity of GDP, carbon intensity of energy. We compared the model with a baseline statistical model - VAR - and obtained good performances. We conclude that this machine-learning approach can be used to produce a wide range of results and give relevant insight to policymakers
Abstract（参考訳）: カヤのアイデンティティーから、我々は、人口、一人当たりGDP、GDPのエネルギー強度、エネルギーの炭素強度といった国レベルで、炭素排出量に関連するいくつかの指標の進化を予測するために、Neural ODEモデルを使用した。モデルとベースライン統計モデルの比較を行い,優れた性能を得た。我々は、この機械学習アプローチが幅広い結果を生み出し、政策立案者に関連する洞察を与えることができると結論付けた。

関連論文リスト

CarbonSense: A Multimodal Dataset and Baseline for Carbon Flux Modelling [9.05128569357374]
データ駆動型カーボンフラックスモデリングのための、最初の機械学習対応データセットであるCarbonSenseを紹介する。我々の実験は、マルチモーダルなディープラーニング技術がこの領域にもたらす可能性を示している。
論文参考訳（メタデータ） (2024-06-07T13:47:40Z)
OpenCarbonEval: A Unified Carbon Emission Estimation Framework in Large-Scale AI Models [16.93272879722972]
OpenCarbonEvalは、二酸化炭素排出量を予測するために様々なモードで大規模なモデルを統合するためのフレームワークである。視覚モデルと言語モデルの両方において,OpenCarbonEvalは,二酸化炭素排出量の予測性能に優れることを示す。
論文参考訳（メタデータ） (2024-05-21T14:50:20Z)
Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。本研究では,協調拡散回復可能性 (CDRL) を提案する。
論文参考訳（メタデータ） (2023-09-10T22:05:24Z)
A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文参考訳（メタデータ） (2023-07-01T15:18:00Z)
On Feature Diversity in Energy-based Models [98.78384185493624]
エネルギーベースモデル(EBM)は通常、異なる特徴の組み合わせを学習し、入力構成ごとにエネルギーマッピングを生成する内部モデルによって構成される。 EBMのほぼ正しい(PAC)理論を拡張し,EBMの性能に及ぼす冗長性低減の影響を解析した。
論文参考訳（メタデータ） (2023-06-02T12:30:42Z)
Forecasting Intraday Power Output by a Set of PV Systems using Recurrent Neural Networks and Physical Covariates [0.0]
PhotoVoltaic(PV)システムによる出力の正確な予測は、エネルギー分配グリッドの動作を改善するために重要である。このような日内予測を実現することを目的とした神経自己回帰モデルについて述べる。
論文参考訳（メタデータ） (2023-03-15T09:03:58Z)
Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文参考訳（メタデータ） (2023-02-16T18:35:00Z)
Energy Efficiency of Training Neural Network Architectures: An Empirical Study [11.325530936177493]
ディープラーニングモデルの評価は、伝統的に精度、F1スコア、関連する指標などの基準に焦点を当ててきた。このようなモデルを訓練するために必要な計算は、大きな炭素フットプリントを必要とする。本研究では, DLモデルアーキテクチャと環境影響との関係を, エネルギー消費の観点から検討した。
論文参考訳（メタデータ） (2023-02-02T09:20:54Z)
Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-12-17T00:26:31Z)
Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文参考訳（メタデータ） (2021-10-18T14:43:50Z)
Curb Your Carbon Emissions: Benchmarking Carbon Emissions in Machine Translation [0.0]
本研究では, 炭素効率について検討し, トレーニングモデルによる環境影響の低減のための代替策を提案する。本研究では,機械翻訳モデルの性能を複数の言語対で評価する。これらのモデルの様々なコンポーネントを調べ、これらの二酸化炭素排出量を減らすために最適化できるパイプラインの側面を分析します。
論文参考訳（メタデータ） (2021-09-26T12:30:10Z)

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。