論文の概要: Continual Learning for Smart City: A Survey
- arxiv url: http://arxiv.org/abs/2404.00983v1
- Date: Mon, 1 Apr 2024 07:59:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-03 22:56:51.668416
- Title: Continual Learning for Smart City: A Survey
- Title（参考訳）: スマートシティのための継続的学習: 調査
- Authors: Li Yang, Zhipeng Luo, Shiming Zhang, Fei Teng, Tianrui Li,
- Abstract要約: 継続的学習(CL)は、変化する環境に適応するためにモデルを常に更新する、新しい機械学習パラダイムである。
本調査は,スマートシティ開発に広く用いられている継続的学習手法の総合的なレビューを提供する。
- 参考スコア（独自算出の注目度）: 20.248023419047847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the digitization of modern cities, large data volumes and powerful computational resources facilitate the rapid update of intelligent models deployed in smart cities. Continual learning (CL) is a novel machine learning paradigm that constantly updates models to adapt to changing environments, where the learning tasks, data, and distributions can vary over time. Our survey provides a comprehensive review of continual learning methods that are widely used in smart city development. The content consists of three parts: 1) Methodology-wise. We categorize a large number of basic CL methods and advanced CL frameworks in combination with other learning paradigms including graph learning, spatial-temporal learning, multi-modal learning, and federated learning. 2) Application-wise. We present numerous CL applications covering transportation, environment, public health, safety, networks, and associated datasets related to urban computing. 3) Challenges. We discuss current problems and challenges and envision several promising research directions. We believe this survey can help relevant researchers quickly familiarize themselves with the current state of continual learning research used in smart city development and direct them to future research trends.
- Abstract（参考訳）: 現代の都市のデジタル化により、巨大なデータボリュームと強力な計算資源が、スマートシティに展開されるインテリジェントモデルの迅速な更新を促進する。
継続学習(CL)は、学習タスク、データ、分散が時間とともに変化する環境に適応するためにモデルを常に更新する、新しい機械学習パラダイムである。
本調査は,スマートシティ開発に広く用いられている継続的学習手法の総合的なレビューを提供する。
内容は3つの部分から構成される。
1)方法論について。
我々は,グラフ学習,時空間学習,マルチモーダル学習,フェデレート学習など,多くの基本的なCL手法と高度なCLフレームワークを,他の学習パラダイムと組み合わせて分類する。
2)アプリケーションワイド。
我々は、交通、環境、公衆衛生、安全、ネットワーク、および都市コンピューティングに関連するデータセットをカバーする多くのCLアプリケーションを提示する。
3)挑戦。
我々は現在の問題と課題について議論し、いくつかの有望な研究方向を想定する。
この調査は、スマートシティ開発で使われている継続的な学習研究の現状を、研究者が迅速に理解し、将来の研究動向に導くのに役立つと信じている。
関連論文リスト
- Recent Advances of Multimodal Continual Learning: A Comprehensive Survey [64.82070119713207]
本研究は,マルチモーダル連続学習法に関する総合的な調査である。
既存のMMCLメソッドは,正規化ベース,アーキテクチャベース,リプレイベース,プロンプトベースという4つのカテゴリに分類される。
今後の研究・開発への道筋について論じる。
論文 参考訳（メタデータ） (2024-10-07T13:10:40Z) - Towards Lifelong Learning of Large Language Models: A Survey [20.0936011355535]
この調査は、生涯学習の洗練された風景を掘り下げ、戦略を2つの主要なグループ、内的知識と内的知識に分類する。
本研究では,実世界のアプリケーションにおける大規模言語モデルの適応性,信頼性,全体的な性能を向上させることを目的とする。
論文 参考訳（メタデータ） (2024-06-10T15:46:25Z) - Cross-Data Knowledge Graph Construction for LLM-enabled Educational Question-Answering System: A Case Study at HCMUT [2.8000537365271367]
大規模言語モデル(LLM)は活発な研究トピックとして現れている。
LLMはイベントの記憶、新しい情報の導入、ドメイン固有の問題や幻覚への対処において課題に直面している。
本稿では,複数のデータソースから知識グラフを自動的に構築する手法を提案する。
論文 参考訳（メタデータ） (2024-04-14T16:34:31Z) - A Survey of Route Recommendations: Methods, Applications, and Opportunities [20.248023419047847]
本調査は、都市コンピューティングに基づくルートレコメンデーション業務の総合的なレビューを提供する。
従来の機械学習と最新のディープラーニングの手法を多数分類する。
本稿では,都市コンピューティングのシナリオにおける経路変換に関する新しい応用を多数提示する。
論文 参考訳（メタデータ） (2024-03-01T05:04:00Z) - Deep Learning for Cross-Domain Data Fusion in Urban Computing: Taxonomy, Advances, and Outlook [28.103555959143645]
本稿では,都市コンピューティングに適した深層学習に基づくデータ融合手法の最近の進歩を体系的にレビューする最初の調査を提案する。
提案手法は,特徴ベース,アライメントベース,コントラストベース,生成ベース融合の4つのカテゴリに分類される。
さらに, 都市計画, 交通, 経済, 公共安全, 社会, 環境, エネルギーの7つのタイプに分類した。
論文 参考訳（メタデータ） (2024-02-29T16:56:23Z) - Generative Multi-Modal Knowledge Retrieval with Large Language Models [75.70313858231833]
マルチモーダル知識検索のための革新的なエンドツーエンド生成フレームワークを提案する。
我々のフレームワークは,大規模言語モデル(LLM)が仮想知識ベースとして効果的に機能するという事実を生かしている。
強いベースラインと比較すると,すべての評価指標に対して3.0%から14.6%の大幅な改善が見られた。
論文 参考訳（メタデータ） (2024-01-16T08:44:29Z) - LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning [64.55001982176226]
LIBEROは、ロボット操作のための生涯学習の新しいベンチマークである。
宣言的知識、手続き的知識、あるいは両者の混在を効率的に伝達する方法に焦点を当てる。
我々は、無限に多くのタスクを生成できる拡張可能な手続き生成パイプラインを開発した。
論文 参考訳（メタデータ） (2023-06-05T23:32:26Z) - Fully Online Meta-Learning Without Task Boundaries [80.09124768759564]
この性質のオンライン問題にメタラーニングを適用する方法について検討する。
タスク境界に関する基礎的な真理知識を必要としない完全オンラインメタラーニング(FOML)アルゴリズムを提案する。
実験の結果,FOMLは最先端のオンライン学習手法よりも高速に新しいタスクを学習できることがわかった。
論文 参考訳（メタデータ） (2022-02-01T07:51:24Z) - Curriculum Learning: A Survey [65.31516318260759]
カリキュラム学習戦略は、機械学習のあらゆる分野で成功している。
我々は,様々な分類基準を考慮して,カリキュラム学習アプローチの分類を手作業で構築する。
集約型クラスタリングアルゴリズムを用いて,カリキュラム学習手法の階層木を構築する。
論文 参考訳（メタデータ） (2021-01-25T20:08:32Z) - Curriculum Learning for Reinforcement Learning Domains: A Framework and
Survey [53.73359052511171]
強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。
本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
論文 参考訳（メタデータ） (2020-03-10T20:41:24Z)
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。