論文の概要: Robust Energy Consumption Prediction with a Missing Value-Resilient
Metaheuristic-based Neural Network in Mobile App Development
- arxiv url: http://arxiv.org/abs/2309.12484v1
- Date: Thu, 21 Sep 2023 21:01:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 16:41:12.480174
- Title: Robust Energy Consumption Prediction with a Missing Value-Resilient
Metaheuristic-based Neural Network in Mobile App Development
- Title（参考訳）: モバイルアプリ開発におけるバリューレジリエントなメタヒューリスティックベースニューラルネットワークによるロバストエネルギー消費予測
- Authors: Seyed Jalaleddin Mousavirad, Lu\'is A. Alexandre
- Abstract要約: 我々は,モバイルアプリ開発における堅牢なエネルギー予測を実現するために,ニューラルネットワークベースの新しいフレームワークを提案する。
ここでのメタヒューリスティックなアプローチは、適切な学習アルゴリズムを識別するだけでなく、各レイヤ内の最適なレイヤ数やニューロンを決定する上でも重要な役割を果たす。
- 参考スコア（独自算出の注目度）: 1.9336815376402723
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Energy consumption is a fundamental concern in mobile application
development, bearing substantial significance for both developers and
end-users. Moreover, it is a critical determinant in the consumer's
decision-making process when considering a smartphone purchase. From the
sustainability perspective, it becomes imperative to explore approaches aimed
at mitigating the energy consumption of mobile devices, given the significant
global consequences arising from the extensive utilisation of billions of
smartphones, which imparts a profound environmental impact. Despite the
existence of various energy-efficient programming practices within the Android
platform, the dominant mobile ecosystem, there remains a need for documented
machine learning-based energy prediction algorithms tailored explicitly for
mobile app development. Hence, the main objective of this research is to
propose a novel neural network-based framework, enhanced by a metaheuristic
approach, to achieve robust energy prediction in the context of mobile app
development. The metaheuristic approach here plays a crucial role in not only
identifying suitable learning algorithms and their corresponding parameters but
also determining the optimal number of layers and neurons within each layer. To
the best of our knowledge, prior studies have yet to employ any metaheuristic
algorithm to address all these hyperparameters simultaneously. Moreover, due to
limitations in accessing certain aspects of a mobile phone, there might be
missing data in the data set, and the proposed framework can handle this. In
addition, we conducted an optimal algorithm selection strategy, employing 13
metaheuristic algorithms, to identify the best algorithm based on accuracy and
resistance to missing values. The comprehensive experiments demonstrate that
our proposed approach yields significant outcomes for energy consumption
prediction.
- Abstract（参考訳）: エネルギー消費はモバイルアプリケーション開発における基本的な関心事であり、開発者とエンドユーザ双方にとって大きな意味を持つ。
また、スマートフォン購入を考慮すれば、消費者の意思決定プロセスにおいて重要な決定要因となる。
持続可能性の観点からは、何十億ものスマートフォンが広範囲に利用され、環境に大きな影響を与えることによる大きな世界的な影響を考えると、モバイルデバイスのエネルギー消費の緩和を目的としたアプローチを探求することが不可欠となる。
androidプラットフォームにさまざまなエネルギ効率の高いプログラミングプラクティスが存在するにも関わらず、モバイルアプリ開発のために明示的に調整された機械学習ベースのエネルギ予測アルゴリズムの必要性は残っている。
そこで本研究の目的は,メタヒューリスティックアプローチによって強化された新しいニューラルネットワークベースのフレームワークを提案し,モバイルアプリ開発における堅牢なエネルギー予測を実現することである。
ここでのメタヒューリスティックなアプローチは、適切な学習アルゴリズムとその対応するパラメータを識別するだけでなく、各層内の最適な層数とニューロンを決定する上で重要な役割を果たす。
我々の知る限りでは、これまでの研究ではこれらのハイパーパラメータを同時に扱うためにメタヒューリスティックなアルゴリズムは使われていない。
さらに、携帯電話の特定の側面へのアクセスに制限があるため、データセットに欠落したデータがあり、提案したフレームワークがこれを扱うことができる。
さらに,13のメタヒューリスティックアルゴリズムを用いた最適アルゴリズム選択手法を提案し,その精度と欠落値に対する耐性に基づいて最適なアルゴリズムを同定した。
包括的実験により,提案手法がエネルギー消費予測に有意な結果をもたらすことを実証した。
関連論文リスト
- Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。
我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。
提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
論文 参考訳（メタデータ） (2024-10-17T12:38:08Z) - An accelerate Prediction Strategy for Dynamic Multi-Objective Optimization [7.272641346606365]
本稿では,進化的アルゴリズムフレームワークにおける予測戦略の高速化のための新しいアプローチを提案する。
本稿では,アルゴリズムの探索動作を予測・調整するために,二階微分を組み込んだ適応予測戦略を提案する。
標準DMOPのベンチマーク問題を用いて,提案手法の性能を4つの最先端アルゴリズムと比較した。
論文 参考訳（メタデータ） (2024-10-08T08:13:49Z) - Frog-Snake prey-predation Relationship Optimization (FSRO) : A novel nature-inspired metaheuristic algorithm for feature selection [0.0]
本研究では,Frog-Snake prey-predation Relationship Optimization (FSRO)アルゴリズムを提案する。
カエルとヘビの捕食関係から着想を得て、離散最適化問題に適用した。
提案アルゴリズムは26種類の機械学習データセットを用いて特徴選択に関する計算実験を行う。
論文 参考訳（メタデータ） (2024-02-13T06:39:15Z) - Computationally Efficient Optimisation of Elbow-Type Draft Tube Using
Neural Network Surrogates [0.0]
本研究の目的は,肘型ドラフトチューブの設計において,単目的および多目的の最適化アルゴリズムを総合的に評価することである。
提案したワークフローは、数値シミュレーションから得られたデータに基づいて訓練されたディープニューラルネットワークサロゲートを利用する。
論文 参考訳（メタデータ） (2024-01-14T14:05:26Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - On the Convergence of Distributed Stochastic Bilevel Optimization
Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。
既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。
そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-06-30T05:29:52Z) - Coverage and Capacity Optimization in STAR-RISs Assisted Networks: A
Machine Learning Approach [102.00221938474344]
再構成可能なインテリジェントサーフェス (STAR-RIS) アシストネットワークを同時に送信および反射するカバレッジとキャパシティ最適化のための新しいモデルを提案する。
損失関数ベースの更新戦略はコアポイントであり、各更新時にmin-normソルバによってカバレッジとキャパシティの両方の損失関数の重みを計算することができる。
解析結果から,提案手法は固定重みに基づくMOアルゴリズムよりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-04-13T13:52:22Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Epistocracy Algorithm: A Novel Hyper-heuristic Optimization Strategy for
Solving Complex Optimization Problems [1.471992435706872]
本稿では,人間の社会・政治行動と知性を組み込んで複雑な最適化問題を解く,エピストクラシーという新しい進化的アルゴリズムを提案する。
エピストクラシーのアルゴリズムのインスピレーションは、教育を受けた人々が教育を受けていない人や教育を受けていない人よりも投票力を持つ政治体制に端を発する。
実験結果から, エピストクラシーアルゴリズムは, 性能, 精度, 堅牢性の観点から, 最先端の進化的, 群知能アルゴリズムよりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-01-30T19:07:09Z) - Deep Reinforcement Learning for Field Development Optimization [0.0]
本研究の目的は,畳み込みニューラルネットワーク(CNN)深部強化学習(DRL)アルゴリズムをフィールド開発最適化問題に適用することである。
近似ポリシー最適化 (PPO) アルゴリズムは2つのCNNアーキテクチャで様々な層と構成を持つ。
両ネットワークは、ハイブリッド粒子群最適化(PSO-MADS)アルゴリズムと比較して満足な結果をもたらすポリシーを得た。
論文 参考訳（メタデータ） (2020-08-05T06:26:13Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z)
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。