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/2309.12484v2
• Date: Tue, 4 Jun 2024 09:14:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 14:16:48.403334
• 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ロバストエネルギー消費予測
• Authors: Seyed Jalaleddin Mousavirad, Luís A. Alexandre,
• Abstract要約: 我々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。 13のベースと高度なメタヒューリスティックアルゴリズムを用いて、欠落した値に対する精度と耐性に基づいて最適なアルゴリズムを同定する。 提案手法はエネルギー消費予測を大幅に改善する。
• 参考スコア（独自算出の注目度）: 3.146076597280736
• 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. 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 aims to achieve two goals: 1) identifying suitable learning algorithms and their corresponding hyperparameters, and 2) determining the optimal number of layers and neurons within each layer. 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 base and advanced metaheuristic algorithms, to identify the best algorithm based on accuracy and resistance to missing values. The representation in our proposed metaheuristic algorithm is variable-size, meaning that the length of the candidate solutions changes over time. We compared the algorithms based on the architecture found by each algorithm at different levels of missing values, accuracy, F-measure, and stability analysis. Additionally, we conducted a Wilcoxon signed-rank test for statistical comparison of the results. The extensive experiments show that our proposed approach significantly improves energy consumption prediction. Particularly, the JADE algorithm, a variant of Differential Evolution (DE), DE, and the Covariance Matrix Adaptation Evolution Strategy deliver superior results under various conditions and across different missing value levels.
• 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ーの両方にとって大きな意味を持つ。 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、2つの目標を達成することを目的としています。 1)適切な学習アルゴリズムとその対応するハイパーパラメータの同定 2) 各層内の最適な層数とニューロン数を決定する。 さらに、携帯電話の特定の側面にアクセスするのに制限があるため、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の基数と高度な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考案し,欠落した値に対する精度と耐性に基づいて最適なアルゴリズムを同定した。 提案したメタヒューリスティックアルゴリズムの表現は変数サイズであり,候補解の長さは時間とともに変化する。 我々は,各アルゴリズムが発見するアーキテクチャに基づくアルゴリズムを,欠落値,精度,F尺度,安定性解析の異なるレベルで比較した。 さらに,結果の統計的比較のためのウィルコクソン符号ランク試験を行った。 大規模な実験により,提案手法はエネルギー消費予測を著しく改善することが示された。 特に、微分進化(DE)、DE(DE)、共分散行列適応進化戦略(Covariance Matrix Adaptation Evolution Strategy)の亜種であるJADEアルゴリズムは、様々な条件下でより優れた結果をもたらす。

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。