論文の概要: Human-in-the-Loop Large-Scale Predictive Maintenance of Workstations

• arxiv url: http://arxiv.org/abs/2206.11574v1
• Date: Thu, 23 Jun 2022 09:40:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 20:40:54.082098
• Title: Human-in-the-Loop Large-Scale Predictive Maintenance of Workstations
• Title（参考訳）: ワークステーションの大規模保守
• Authors: Alexander Nikitin and Samuel Kaski
• Abstract要約: 予測保守(英: Predictive maintenance, PdM)とは、システムの状態の統計的解析に基づいて、保守作業のスケジューリングを行うタスクである。 本稿では,機械学習システムがワークステーションの集合における将来の問題を予測できるPdM手法を提案する。
• 参考スコア（独自算出の注目度）: 89.51621054382878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive maintenance (PdM) is the task of scheduling maintenance operations based on a statistical analysis of the system's condition. We propose a human-in-the-loop PdM approach in which a machine learning system predicts future problems in sets of workstations (computers, laptops, and servers). Our system interacts with domain experts to improve predictions and elicit their knowledge. In our approach, domain experts are included in the loop not only as providers of correct labels, as in traditional active learning, but as a source of explicit decision rule feedback. The system is automated and designed to be easily extended to novel domains, such as maintaining workstations of several organizations. In addition, we develop a simulator for reproducible experiments in a controlled environment and deploy the system in a large-scale case of real-life workstations PdM with thousands of workstations for dozens of companies.
• Abstract（参考訳）: 予測保守(英: Predictive maintenance, PdM)とは、システムの状態の統計的解析に基づいて、保守作業のスケジューリングを行うタスクである。 本稿では,機械学習システムによるワークステーション(コンピュータ,ラップトップ,サーバ)の今後の課題を予測できるPdM手法を提案する。 我々のシステムはドメインエキスパートと対話し、予測を改善し、知識を引き出す。 私たちのアプローチでは、ドメインの専門家は、従来のアクティブラーニングのように正しいラベルのプロバイダとしてだけでなく、明示的な決定ルールのフィードバックのソースとしてループに含まれています。 システムは自動化され、いくつかの組織のワークステーションのメンテナンスなど、新しいドメインに簡単に拡張できるように設計されている。 さらに,制御された環境で再現可能な実験を行うシミュレータを開発し,数十の企業を対象とした数千のワークステーションを備えた実生活ワークステーションpdmを大規模に運用する。

関連論文リスト

• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Continual learning on deployment pipelines for Machine Learning Systems [4.884688557957589]
  機械学習システムの展開は、非常に重要なトピックになりつつある。 本稿では、理論と実践における様々な技術の利点とデメリットを比較した。 また、機械学習システムのデプロイに対する評価フレームワークの意識を高めることも目標としている。
  論文  参考訳（メタデータ） (2022-12-05T23:40:57Z)
• Multi-Job Intelligent Scheduling with Cross-Device Federated Learning [65.69079337653994]
  フェデレートラーニング(FL)は、センシティブな生データを共有せずに、協調的なグローバル機械学習モデルのトレーニングを可能にする。 本稿では,複数のジョブを並列にトレーニングできる新しいマルチジョブFLフレームワークを提案する。 本稿では,元来の強化学習に基づくスケジューリング手法と元来のベイズ最適化に基づくスケジューリング手法を含む,複数のスケジューリング手法に基づく新しいインテリジェントスケジューリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-24T06:17:40Z)
• Learning to Coordinate for a Worker-Station Multi-robot System in Planar Coverage Tasks [16.323122275188354]
  ランダムな動的干渉器を有する大規模平面領域におけるマルチロボットカバレッジパス計画問題に着目する。 本稿では,実際の作業に必要なリソースが限られている複数の作業者と,資源補給に十分なリソースを持つ1つのステーションからなる作業者ステーションMSSを紹介する。 本稿では、労働者のカバレッジプランニングと駅のランデブープランニングを同時に解決する、エンドツーエンドの分散オンラインプランニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-05T05:36:42Z)
• Efficient Device Scheduling with Multi-Job Federated Learning [64.21733164243781]
  本稿では,複数のジョブの並列学習プロセスを実現するための,新しいマルチジョブフェデレーション学習フレームワークを提案する。 コストを最小化しつつ、複数のジョブに対してデバイスをスケジュールする強化学習法とベイズ最適化法を提案する。 提案手法は,トレーニング時間(最大8.67倍高速)と精度(最大44.6%高)において,ベースラインアプローチよりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-12-11T08:05:11Z)
• Predictive Quality of Service (PQoS): The Next Frontier for Fully Autonomous Systems [29.362590041588454]
  自律システムにおいて予測(PQoS)を可能にする方法を提案する。 ネットワーク予測の恩恵を特に受けるユースケースについて論じる。 そして、今後の研究に向けてまだオープンな分野の課題について、光を当てた。
  論文  参考訳（メタデータ） (2021-09-20T08:55:51Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• Knowledge-Based Hierarchical POMDPs for Task Planning [0.34998703934432684]
  タスクプランニングの主な目標は、エージェントを初期状態から目標状態へと移動させる一連のアクションを構築することです。 ロボット工学では、アクションは通常いくつかの可能な結果があり、センサーがエラーで測定を行う傾向があるため、これは特に困難です。 本稿では,情報のモジュール化と再利用を促進するロボットとその環境に関する知識を符号化する手法を提案する。
  論文  参考訳（メタデータ） (2021-03-19T05:45:05Z)
• A Constraint Programming-based Job Dispatcher for Modern HPC Systems and Applications [2.022078407932399]
  最新のHPCシステムとアプリケーションのための新しいCPベースのオンラインジョブディスパッチを提案する。 前者とは異なり、新しいディスパッチはCPのすべての問題に対処し、そのモデルサイズはシステムサイズとは独立している。
  論文  参考訳（メタデータ） (2020-09-22T07:02:26Z)

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。