論文の概要: Green Learning: Introduction, Examples and Outlook
- arxiv url: http://arxiv.org/abs/2210.00965v1
- Date: Mon, 3 Oct 2022 14:30:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 16:36:31.668146
- Title: Green Learning: Introduction, Examples and Outlook
- Title(参考訳): グリーンラーニング:序論、例、展望
- Authors: C.-C. Jay Kuo and Azad M. Madni
- Abstract要約: グリーンラーニング(GL)は、低炭素フットプリント、小さなモデルサイズ、低い計算複雑性、論理的透明性を特徴とする。
GLはまた、人々の信頼を得るための明確で論理的な意思決定プロセスも提供します。
- 参考スコア(独自算出の注目度): 38.484332924924914
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rapid advances in artificial intelligence (AI) in the last decade have
largely been built upon the wide applications of deep learning (DL). However,
the high carbon footprint yielded by larger and larger DL networks becomes a
concern for sustainability. Furthermore, DL decision mechanism is somewhat
obsecure and can only be verified by test data. Green learning (GL) has been
proposed as an alternative paradigm to address these concerns. GL is
characterized by low carbon footprints, small model sizes, low computational
complexity, and logical transparency. It offers energy-effective solutions in
cloud centers as well as mobile/edge devices. GL also provides a clear and
logical decision-making process to gain people's trust. Several statistical
tools have been developed to achieve this goal in recent years. They include
subspace approximation, unsupervised and supervised representation learning,
supervised discriminant feature selection, and feature space partitioning. We
have seen a few successful GL examples with performance comparable with
state-of-the-art DL solutions. This paper offers an introduction to GL, its
demonstrated applications, and future outlook.
- Abstract(参考訳): 過去10年間の人工知能(AI)の急速な進歩は、主にディープラーニング(DL)の幅広い応用に基づいている。
しかし、より大きなdlネットワークによって生じる高い炭素フットプリントは持続可能性への懸念となっている。
さらに、DL決定機構は多少不安定であり、テストデータによってのみ検証できる。
これらの問題に対処するための代替パラダイムとして、グリーンラーニング(GL)が提案されている。
glの特徴は、低炭素フットプリント、小さなモデルサイズ、計算複雑性、論理透過性である。
クラウドセンターとモバイル/エッジデバイスでエネルギー効率の高いソリューションを提供する。
GLはまた、人々の信頼を得るための明確で論理的な意思決定プロセスを提供する。
近年、この目標を達成するためにいくつかの統計ツールが開発されている。
それらは、部分空間近似、教師なし表現学習、教師なし特徴選択、特徴空間分割を含む。
我々は、最先端のDLソリューションに匹敵するパフォーマンスを備えたGL例をいくつか見てきた。
本稿では,GLの紹介,その実演アプリケーション,今後の展望について述べる。
関連論文リスト
- Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward
Comprehensive Benchmarks [60.82579717007963]
本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-24T01:47:56Z) - A General Framework for Learning from Weak Supervision [97.4298482689398]
本稿では、新しいアルゴリズムを用いて、弱監督(GLWS)から学習するための一般的な枠組みを紹介する。
GLWSの中心は期待最大化(EM)の定式化であり、様々な弱い監督源を順応的に収容している。
また,EM計算要求を大幅に単純化する高度なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-02T21:48:50Z) - Bilevel Generative Learning for Low-Light Vision [64.77933848939327]
本稿では、RAWからRGB領域へのデータ変換のための生成ブロックを導入することで、汎用的な低照度ビジョンソリューションを提案する。
この新しいアプローチは、フィールドにおける最初のデータ生成を明示的に表現することで、多様な視覚問題を結合する。
そこで我々は,新しい二段階生成学習パラダイムを取得するために,低コストと高精度の異なる目標を目標とする2種類の学習戦略を開発した。
論文 参考訳(メタデータ) (2023-08-07T07:59:56Z) - Going Beyond XAI: A Systematic Survey for Explanation-Guided Learning [8.835733039270364]
説明可能な人工知能(XAI)の技術は大きな注目を集めており、機械学習(ML)エンジニアがAIモデルを理解するのに大いに役立っている。
本稿は、説明指導学習(EGL)分野のタイムリーで広範な文献概要を提供する。
EGLは、モデル説明に正規化、監督、介入を追加することで、DNNの推論プロセスを制御するテクニックのドメインである。
論文 参考訳(メタデータ) (2022-12-07T20:59:59Z) - On-Device Domain Generalization [93.79736882489982]
ドメインの一般化はデバイス上の機械学習アプリケーションにとって重要である。
知識蒸留がこの問題の解決の有力な候補であることがわかった。
本研究では,教師が配布外データをどのように扱えるかを学生に教えることを目的とした,配布外知識蒸留(OKD)という簡単なアイデアを提案する。
論文 参考訳(メタデータ) (2022-09-15T17:59:31Z) - Learning Sparse Graphon Mean Field Games [26.405495663998828]
グラフィオン平均フィールドゲーム(GMFG)は、他の方法では難解なMARL問題のスケーラブルな解析を可能にする。
本稿では,グラフ理論的概念である$Lp$Graphons を利用する LPGMFGs という,GMFGs の新たな定式化を提案する。
これは、様々な応用領域で実証的に観測され、標準のグラモンでは捉えられないパワーローネットワークを含む。
論文 参考訳(メタデータ) (2022-09-08T15:35:42Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳(メタデータ) (2022-07-29T02:34:19Z) - Tackling Oversmoothing of GNNs with Contrastive Learning [35.88575306925201]
グラフニューラルネットワーク(GNN)は、グラフデータと表現学習能力の包括的な関係を統合する。
オーバースムーシングはノードの最終的な表現を識別不能にし、ノード分類とリンク予測性能を劣化させる。
本稿では,TGCL(Topology-Guided Graph Contrastive Layer)を提案する。
論文 参考訳(メタデータ) (2021-10-26T15:56:16Z)
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。