Fugu-MT 論文翻訳(概要): Power and accountability in reinforcement learning applications to environmental policy

論文の概要: Power and accountability in reinforcement learning applications to environmental policy

arxiv url: http://arxiv.org/abs/2205.10911v1
Date: Sun, 22 May 2022 19:31:37 GMT
ステータス: 処理完了
システム内更新日: 2022-05-29 19:05:20.078816
Title: Power and accountability in reinforcement learning applications to environmental policy
Title（参考訳）: 環境政策における強化学習の力と説明責任
Authors: Melissa Chapman, Caleb Scoville, Marcus Lapeyrolerie, Carl Boettiger
Abstract要約: 強化学習(Reinforcement Learning, RL)は、どちらも最大の約束を持ち、最も迫る危険を提示する。本稿では,RLによる政策が環境領域における既存の電力関係にどのように影響するかを考察する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning (ML) methods already permeate environmental decision-making, from processing high-dimensional data on earth systems to monitoring compliance with environmental regulations. Of the ML techniques available to address pressing environmental problems (e.g., climate change, biodiversity loss), Reinforcement Learning (RL) may both hold the greatest promise and present the most pressing perils. This paper explores how RL-driven policy refracts existing power relations in the environmental domain while also creating unique challenges to ensuring equitable and accountable environmental decision processes. We leverage examples from RL applications to climate change mitigation and fisheries management to explore how RL technologies shift the distribution of power between resource users, governing bodies, and private industry.
Abstract（参考訳）: 機械学習(ML)手法は、地球システム上の高次元データ処理から環境規制の遵守の監視まで、すでに環境決定に浸透している。環境問題(例えば気候変動、生物多様性の喪失)に対処するためのML技術のうち、強化学習(Reinforcement Learning、RL)はどちらも最大の約束を持ち、最も圧力のかかる危険を提示する。本稿では、RLによる政策が、環境領域における既存の電力関係にどのように影響するかを考察するとともに、公平で説明可能な環境決定プロセスの確保に固有の課題を提起する。我々は、RLの適用例を気候変動対策や漁業管理に活用し、RL技術が資源使用者、行政機関、民間産業間の電力分配をどのようにシフトするかを探る。

関連論文リスト

AI, Climate, and Transparency: Operationalizing and Improving the AI Act [2.874893537471256]
本稿では、気候関連透明性に関するAI法の規定を批判的に検討する。 AI推論におけるエネルギー消費の排除を含む、重要な欠点を特定します。本稿では,提案法の範囲内での推論関連エネルギー利用を復活させる新しい解釈を提案する。
論文参考訳（メタデータ） (2024-08-28T07:57:39Z)
Towards A Comprehensive Assessment of AI's Environmental Impact [0.5982922468400899]
機械学習に対する最近の関心の高まりは、AI/MLの大規模採用に拍車をかけた。ライフサイクルを通じて、AI/MLから環境への影響と劣化を監視するフレームワークが必要である。本研究では、オープンなエネルギーデータとグローバルに取得した衛星観測を用いて、データセンター周辺におけるAIの多面的影響に関連する環境変数を追跡する手法を提案する。
論文参考訳（メタデータ） (2024-05-22T21:19:35Z)
Reparameterized Policy Learning for Multimodal Trajectory Optimization [61.13228961771765]
本研究では,高次元連続行動空間における強化学習のためのパラメータ化政策の課題について検討する。本稿では,連続RLポリシーを最適軌道の生成モデルとしてモデル化する原理的フレームワークを提案する。本稿では,マルチモーダルポリシーパラメータ化と学習世界モデルを活用した実用的モデルベースRL手法を提案する。
論文参考訳（メタデータ） (2023-07-20T09:05:46Z)
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)
A SWAT-based Reinforcement Learning Framework for Crop Management [0.0]
土壌・水質評価ツール(SWAT)の力学を利用した強化学習(RL)環境を導入する。これにより、フル成長の季節に配備されるはずの時間と資源が大幅に節約される。我々は,標準的な農業慣行や最先端のRLアルゴリズムに通知された経営戦略に従って,様々な意思決定エージェントを開発・ベンチマークすることで,フレームワークの有用性を実証する。
論文参考訳（メタデータ） (2023-02-10T00:24:22Z)
Dichotomy of Control: Separating What You Can Control from What You Cannot [129.62135987416164]
政策の制御(行動)と政策の制御(環境)以外のメカニズムを分離する将来の条件付き教師あり学習フレームワークを提案する。我々は,DoCが条件付入力と整合したポリシを出力し,学習したポリシを所望のハイリターン未来結果に条件付けすることで,高リターン行動が正しく引き起こされることを示す。
論文参考訳（メタデータ） (2022-10-24T17:49:56Z)
Flexible Attention-Based Multi-Policy Fusion for Efficient Deep Reinforcement Learning [78.31888150539258]
強化学習(RL)エージェントは、長い間、人間の学習の効率にアプローチしようとしてきた。 RLにおける以前の研究は、エージェントがサンプル効率を改善するために外部知識ポリシーを取り入れていた。我々は,複数の知識ポリシーを融合させたRLパラダイムであるKGRL(Knowledge-Grounded RL)について述べる。
論文参考訳（メタデータ） (2022-10-07T17:56:57Z)
Transfer learning with causal counterfactual reasoning in Decision Transformers [5.672132510411465]
本研究では,環境力学の変化による伝達学習の課題について考察する。具体的には、決定変換器アーキテクチャを用いて、新しい環境に対する新しいポリシーを精査する。このメカニズムは,報奨のほとんどを維持しつつ,目標環境に対するポリシーのブートストラップを成功させることができることを示す。
論文参考訳（メタデータ） (2021-10-27T11:23:27Z)
Deep Reinforcement Learning for Conservation Decisions [0.0]
我々は、最も困難な保全決定問題に対処するために、_reinforcement learning_(RL)として知られる機械学習の有望なコーナーの可能性を示す。 RLは明らかに、エージェントを設計することに焦点を当てている。動的で不確実な環境と相互作用します注釈付きコードを持つ4つの付録は、これらのアプローチを採用し、評価し、拡張しようとしている研究者に、具体的な紹介を提供する。
論文参考訳（メタデータ） (2021-06-15T16:32:48Z)
Applications of physics-informed scientific machine learning in subsurface science: A survey [64.0476282000118]
地球系は、化石エネルギー探査、廃棄物処理、地質炭素隔離、再生可能エネルギー生成などの人間の活動によって変化した地質形成です。したがって、ジオシステムの責任ある使用と探索は、効率的な監視、リスクアセスメント、および実用的な実装のための意思決定支援ツールに依存するジオシステムガバナンスにとって重要です。近年の機械学習アルゴリズムと新しいセンシング技術の急速な進歩は、地下研究コミュニティがジオシステムガバナンスの有効性と透明性を向上させる新しい機会を提示しています。
論文参考訳（メタデータ） (2021-04-10T13:40:22Z)
Deep Reinforcement Learning amidst Lifelong Non-Stationarity [67.24635298387624]
政治以外のRLアルゴリズムは、寿命の長い非定常性に対処できることを示す。提案手法は潜在変数モデルを用いて,現在および過去の経験から環境表現を学習する。また, 生涯の非定常性を示すシミュレーション環境もいくつか導入し, 環境変化を考慮しないアプローチを著しく上回っていることを実証的に確認した。
論文参考訳（メタデータ） (2020-06-18T17:34:50Z)

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。