Fugu-MT 論文翻訳(概要): InfraLib: Enabling Reinforcement Learning and Decision Making for Large Scale Infrastructure Management

論文の概要: InfraLib: Enabling Reinforcement Learning and Decision Making for Large Scale Infrastructure Management

arxiv url: http://arxiv.org/abs/2409.03167v1
Date: Thu, 5 Sep 2024 01:54:29 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 22:33:03.231095
Title: InfraLib: Enabling Reinforcement Learning and Decision Making for Large Scale Infrastructure Management
Title（参考訳）: InfraLib: 大規模インフラストラクチャ管理のための強化学習と意思決定の実現
Authors: Pranay Thangeda, Trevor S. Betz, Michael N. Grussing, Melkior Ornik,
Abstract要約: InfraLibは、インフラストラクチャ管理の問題のモデリングと分析のための包括的なフレームワークである。コンポーネントの可用性のモデル化、周期的予算、破滅的な失敗など、実用的な機能をサポートしています。 InfraLibの能力は、現実世界の道路ネットワークと10万のコンポーネントによる総合ベンチマークのケーススタディを通じて実証する。
参考スコア（独自算出の注目度）: 1.0499611180329806
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Efficient management of infrastructure systems is crucial for economic stability, sustainability, and public safety. However, infrastructure management is challenging due to the vast scale of systems, stochastic deterioration of components, partial observability, and resource constraints. While data-driven approaches like reinforcement learning (RL) offer a promising avenue for optimizing management policies, their application to infrastructure has been limited by the lack of suitable simulation environments. We introduce InfraLib, a comprehensive framework for modeling and analyzing infrastructure management problems. InfraLib employs a hierarchical, stochastic approach to realistically model infrastructure systems and their deterioration. It supports practical functionality such as modeling component unavailability, cyclical budgets, and catastrophic failures. To facilitate research, InfraLib provides tools for expert data collection, simulation-driven analysis, and visualization. We demonstrate InfraLib's capabilities through case studies on a real-world road network and a synthetic benchmark with 100,000 components.
Abstract（参考訳）: インフラシステムの効率的な管理は、経済の安定、持続可能性、公共の安全に不可欠である。しかし, システムの大規模化, コンポーネントの確率的劣化, 部分観測可能性, 資源制約などにより, インフラ管理は困難である。強化学習(RL)のようなデータ駆動型アプローチは、管理ポリシーを最適化するための有望な手段を提供するが、適切なシミュレーション環境が欠如しているため、インフラストラクチャへの適用は制限されてきた。 InfraLibはインフラ管理の問題をモデリングし分析するための総合的なフレームワークである。 InfraLibは階層的で確率的なアプローチを採用して、現実的にインフラシステムとその劣化をモデル化している。コンポーネントの可用性のモデル化、周期的予算、破滅的な失敗など、実用的な機能をサポートしています。研究を容易にするため、InfraLibは専門家データ収集、シミュレーション駆動分析、可視化のためのツールを提供している。 InfraLibの能力は、現実世界の道路ネットワークと10万のコンポーネントによる総合ベンチマークのケーススタディを通じて実証する。

関連論文リスト

A Novel Framework for Analyzing Structural Transformation in Data-Constrained Economies Using Bayesian Modeling and Machine Learning [0.0]
農業経済からより多様化した産業やサービスベースのシステムへの移行は、経済発展の重要な要因である。低所得国と中所得国(LMIC)では、データの不足と信頼性の欠如が、このプロセスの正確な評価を妨げる。本稿では,ベイジアン階層モデリング,機械学習に基づくデータ計算,因子分析を統合することで,これらの課題に対処する新しい統計フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-25T08:39:41Z)
Securing the Open RAN Infrastructure: Exploring Vulnerabilities in Kubernetes Deployments [60.51751612363882]
ソフトウェアベースのオープン無線アクセスネットワーク(RAN)システムのセキュリティへの影響について検討する。我々は、Near Real-Time RAN Controller(RIC)クラスタをサポートするインフラストラクチャに潜在的な脆弱性と設定ミスがあることを強調します。
論文参考訳（メタデータ） (2024-05-03T07:18:45Z)
Detecting Vulnerable Nodes in Urban Infrastructure Interdependent Network [30.78792992230233]
我々は、相互依存型ネットワークを異種グラフとしてモデル化し、強化学習を用いたグラフニューラルネットワークに基づくシステムを提案する。提案システムは,深層学習技術を活用して異種グラフを解析し,カスケード故障のリスクを把握し,都市の脆弱なインフラを発見する。
論文参考訳（メタデータ） (2023-07-19T09:53:56Z)
Bringing AI to the edge: A formal M&S specification to deploy effective IoT architectures [0.0]
モノのインターネットは私たちの社会を変え、生活の質と資源管理を改善する新しいサービスを提供しています。これらのアプリケーションは、限られたコンピューティングリソースとパワーを持つ、複数の分散デバイスのユビキタスネットワークに基づいている。フォグコンピューティングのような新しいアーキテクチャが登場し、コンピューティング基盤をデータソースに近づけている。
論文参考訳（メタデータ） (2023-05-11T21:29:58Z)
IIVA: A Simulation Based Generalized Framework for Interdependent Infrastructure Vulnerability Assessment [0.0]
本稿では,新たなインフラストラクチャ脆弱性評価フレームワークを提案する。コンポーネントの初期失敗率が高いほど、インフラストラクチャの脆弱性が大きくなることが観察された。
論文参考訳（メタデータ） (2022-12-13T20:37:03Z)
Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文参考訳（メタデータ） (2022-04-29T08:06:05Z)
On Telecommunication Service Imbalance and Infrastructure Resource Deployment [95.80185574417428]
本稿では,通信サービス不均衡,通信インフラ,人口分布の関係を定量的に関連付けることを目的とした,細粒度で計算が容易な不均衡指数を提案する。また,この指標に基づいて,任意の地理的セグメントの平均不均衡指数を最小化することにより,インフラ資源の展開戦略を提案する。
論文参考訳（メタデータ） (2021-04-08T17:45:32Z)
A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文参考訳（メタデータ） (2021-03-18T16:04:42Z)
Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文参考訳（メタデータ） (2020-12-01T11:46:03Z)
KrakN: Transfer Learning framework for thin crack detection in infrastructure maintenance [0.0]
現在適用されている手法は時代遅れで、労働集約的で不正確である。我々は、これらの制限要因を克服するために、カスタムメイドフレームワーク -- KrakN を活用することを提案する。これにより、デジタル画像上のユニークなインフラストラクチャ欠陥検出装置の開発が可能になり、90%以上の精度を達成することができる。
論文参考訳（メタデータ） (2020-04-26T09:57:36Z)
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。