Fugu-MT 論文翻訳(概要): Why Reinforcement Learning in Energy Systems Needs Explanations

論文の概要: Why Reinforcement Learning in Energy Systems Needs Explanations

arxiv url: http://arxiv.org/abs/2405.18823v1
Date: Wed, 29 May 2024 07:09:00 GMT
ステータス: 処理完了
システム内更新日: 2024-05-30 18:28:55.396556
Title: Why Reinforcement Learning in Energy Systems Needs Explanations
Title（参考訳）: エネルギーシステムにおける強化学習はなぜ説明を必要とするのか
Authors: Hallah Shahid Butt, Benjamin Schäfer,
Abstract要約: 本稿では,エネルギーシステムにおける強化技術の適用と,これらのモデルの説明がいかに役立つかについて論じる。経済発展に伴い、インフラの複雑さは劇的に増大し、同様に化石燃料から再生可能エネルギーへのシフトに伴い、このようなシステムには恐ろしい必要性がある。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With economic development, the complexity of infrastructure has increased drastically. Similarly, with the shift from fossil fuels to renewable sources of energy, there is a dire need for such systems that not only predict and forecast with accuracy but also help in understanding the process of predictions. Artificial intelligence and machine learning techniques have helped in finding out wellperforming solutions to different problems in the energy sector. However, the usage of state-of-the-art techniques like reinforcement learning is not surprisingly convincing. This paper discusses the application of reinforcement techniques in energy systems and how explanations of these models can be helpful
Abstract（参考訳）: 経済発展に伴い、インフラの複雑さは劇的に増大した。同様に、化石燃料から再生可能エネルギー源への移行によって、正確な予測と予測だけでなく、予測のプロセスの理解にも役立つようなシステムが必要である。人工知能と機械学習技術は、エネルギーセクターのさまざまな問題に対する優れたソリューションを見つけるのに役立っている。しかし、強化学習のような最先端技術の使用は驚くべきことではない。本稿では,エネルギーシステムにおける強化技術の適用と,これらのモデルの説明がいかに役立つかについて論じる。

関連論文リスト

Machine learning in solar physics [0.0]
太陽物理学における機械学習の応用は、太陽の大気で起こる複雑な過程の理解を大幅に強化する可能性がある。深層学習などの手法を用いることで、私たちは現在、太陽観測から大量のデータを分析する立場にある。太陽フレアのような爆発的な現象の理解を深め、地球環境に強い影響を与える可能性がある。
論文参考訳（メタデータ） (2023-06-27T08:55:20Z)
Energy-frugal and Interpretable AI Hardware Design using Learning Automata [5.514795777097036]
Tsetlin Machineと呼ばれる新しい機械学習アルゴリズムが提案されている。本稿では,エネルギーフルーガルな人工知能ハードウェア設計手法について検討する。本研究は, 資源配分が, 頑健かつ解釈可能な学習を達成しつつ, 決定的なエネルギー削減をもたらすことを示す。
論文参考訳（メタデータ） (2023-05-19T15:11:18Z)
AI Explainability and Governance in Smart Energy Systems: A Review [0.36832029288386137]
AIの説明可能性と管理可能性の欠如は、ステークホルダーにとって大きな関心事である。本稿では,スマートエネルギーシステムにおけるAI説明可能性とガバナンスについて概説する。
論文参考訳（メタデータ） (2022-10-24T05:09:13Z)
Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文参考訳（メタデータ） (2022-10-18T17:28:58Z)
Machine learning applications for electricity market agent-based models: A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文参考訳（メタデータ） (2022-06-05T14:52:26Z)
Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文参考訳（メタデータ） (2022-03-11T18:27:04Z)
The Powerful Use of AI in the Energy Sector: Intelligent Forecasting [7.747343962518897]
本稿では,エネルギー部門におけるAIシステムの開発,展開,評価を行う手法を提案する。目標は、エネルギーユーティリティーユーザーに高い信頼性を提供することだ。
論文参考訳（メタデータ） (2021-11-03T05:30:42Z)
Compute and Energy Consumption Trends in Deep Learning Inference [67.32875669386488]
コンピュータビジョンと自然言語処理の分野における関連モデルについて検討する。継続的な性能向上のために、これまで予想されていたよりもエネルギー消費の軟化が見られた。
論文参考訳（メタデータ） (2021-09-12T09:40:18Z)
Artificial Intelligence Based Prognostic Maintenance of Renewable Energy Systems: A Review of Techniques, Challenges, and Future Research Directions [3.1123064748686287]
データ分析と機械学習(ML)技術は、これらの予後維持システムの全体的な効率を高めるために使われています。本稿では,文献に報告されている予測/予測保守フレームワークの概要について述べる。 MLベースのソリューションの重要な側面として、ドメインで一般的に使用されるデータセットについても議論します。
論文参考訳（メタデータ） (2021-04-20T11:41:00Z)
A general framework for scientifically inspired explanations in AI [76.48625630211943]
我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
論文参考訳（メタデータ） (2020-03-02T10:32:21Z)
Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文参考訳（メタデータ） (2020-01-31T05:12:59Z)

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。