論文の概要: A User Study on Contrastive Explanations for Multi-Effector Temporal Planning with Non-Stationary Costs

• arxiv url: http://arxiv.org/abs/2409.13427v1
• Date: Fri, 20 Sep 2024 11:48:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 07:28:56.379056
• Title: A User Study on Contrastive Explanations for Multi-Effector Temporal Planning with Non-Stationary Costs
• Title（参考訳）: 非定常コストを考慮したマルチエフェクタ時空間計画のコントラスト説明に関するユーザスタディ
• Authors: Xiaowei Liu, Kevin McAreavey, Weiru Liu,
• Abstract要約: 我々は、スマートホームの時間的計画にエンドユーザーアプリケーションでコンストラッシブな説明を採用する。 ユーザは、アプライアンスタスクの実行に関する要件、動的エネルギー関税によるエネルギーの支払い、高容量のバッテリーストレージへのアクセス、グリッドへのエネルギー販売を行うことができる。 以上の結果から,質問や説明を対照的に提供したユーザは,満足度が高く,理解度が向上する傾向があり,AIの推奨スケジュールにより有用度が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 3.4879531624901783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we adopt constrastive explanations within an end-user application for temporal planning of smart homes. In this application, users have requirements on the execution of appliance tasks, pay for energy according to dynamic energy tariffs, have access to high-capacity battery storage, and are able to sell energy to the grid. The concurrent scheduling of devices makes this a multi-effector planning problem, while the dynamic tariffs yield costs that are non-stationary (alternatively, costs that are stationary but depend on exogenous events). These characteristics are such that the planning problems are generally not supported by existing PDDL-based planners, so we instead design a custom domain-dependent planner that scales to reasonable appliance numbers and time horizons. We conduct a controlled user study with 128 participants using an online crowd-sourcing platform based on two user stories. Our results indicate that users provided with contrastive questions and explanations have higher levels of satisfaction, tend to gain improved understanding, and rate the helpfulness more favourably with the recommended AI schedule compared to those without access to these features.
• Abstract（参考訳）: 本稿では,スマートホームの時間的計画のためのエンドユーザーアプリケーションとして,コンストラッシブな説明を採用する。 本アプリケーションでは、アプライアンスタスクの実行の要件、動的エネルギー関税によるエネルギーの支払い、高容量バッテリーストレージへのアクセス、電力をグリッドに販売することができる。 装置の同時スケジューリングは、これをマルチエフェクタ計画の問題とし、動的関税は、非定常的なコスト(または、定常だが外因性事象に依存するコスト)をもたらす。 これらの特徴は、一般に既存のPDDLベースのプランナーではプランニング問題がサポートされないため、適切なアプライアンス数や時間的地平線にスケールする独自のドメイン依存プランナーを設計する。 我々は,2つのユーザストーリーに基づいて,オンラインクラウドソーシングプラットフォームを用いた128人の参加者を対象に,コントロールされたユーザスタディを実施している。 比較質問や説明を提示したユーザは,満足度が高く,理解度が向上する傾向があり,これらの機能にアクセスできないユーザに比べて,推奨されるAIスケジュールに好適に適合する可能性が示唆された。

関連論文リスト

• Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement Learning considering End Users Flexibility [1.3812010983144802]
  本研究は、Deep Reinforcement Learning、より具体的にはDeep Q-Networks (DQN)を用いて、家庭のEVコスト削減課金政策を、タイム・オブ・ユース関税方式で識別することを目的とする。 新しいエンドユーザーフレキシビリティ・ポテンシャル報酬は、ソーラー発電の家庭がアルゴリズムの訓練とテストに使われている歴史的データ分析から推測される。
  論文  参考訳（メタデータ） (2023-10-13T12:07:36Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• Multi-objective Deep Reinforcement Learning for Mobile Edge Computing [11.966938107719903]
  モバイルエッジコンピューティング(MEC)は、遅延やエネルギー消費など、さまざまなパフォーマンス指標を優先する次世代のモバイルネットワークアプリケーションに不可欠である。 本研究では,複数のエッジを持つMECにおいて,長期エネルギー消費と送信遅延を最小限に抑えるために,多目的オフロード問題を定式化する。 我々は,MECシステムにおいて,複数のエッジの機能を構築するためのよく設計された状態符号化手法を導入し,遅延とエネルギー消費のユーティリティを正確に計算する洗練された報酬関数を提案する。
  論文  参考訳（メタデータ） (2023-07-05T16:36:42Z)
• Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
  我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。 限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
  論文  参考訳（メタデータ） (2023-05-02T07:41:16Z)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Innovations in the field of on-board scheduling technologies [64.41511459132334]
  本稿では、ミッション自律のためのソフトウェアフレームワークに組み込まれた、オンボードスケジューラを提案する。 スケジューラは線形整数プログラミングに基づいており、ブランチ・アンド・カット・ソルバの使用に依存している。 この技術は地球観測のシナリオでテストされており、その性能を最先端のスケジューリング技術と比較している。
  論文  参考訳（メタデータ） (2022-05-04T12:00:49Z)
• Combining Embeddings and Fuzzy Time Series for High-Dimensional Time Series Forecasting in Internet of Energy Applications [0.0]
  Fuzzy Time Series (FTS) モデルは、実装が容易で高精度なデータ駆動非パラメトリックモデルとして際立っている。 本稿では,従来の高次元データを低次元埋め込み空間に投影することにより,高次元時系列を扱う新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-03T19:50:09Z)
• Dynamic residential load scheduling based on an adaptive consumption level pricing scheme [0.0]
  適応消費水準(ACLPS)に基づく家電の最適スケジューリング手法としてDRLSを提案する。 提案する負荷スケジューリングシステムでは,省エネ化を実現するため,提案したDR料金体系の可利用消費許諾(CA)内でのエネルギー消費の管理が促進される。 ケーススタディでは, ACLPSに基づく住宅負荷スケジューリングシステムにより, 顧客はエネルギー料金を最大53%削減し, ピーク負荷を最大35%削減できる。
  論文  参考訳（メタデータ） (2020-07-23T11:14:39Z)
• Federated Learning for Task and Resource Allocation in Wireless High Altitude Balloon Networks [160.96150373385768]
  移動エッジコンピューティング(MEC)対応バルーンネットワークにおいて,タスク計算と伝送におけるエネルギーと時間消費の最小化の問題について検討した。 サポートベクトルマシン(SVM)に基づくフェデレーション学習(FL)アルゴリズムを提案する。 提案したSVMベースのFL法では,各HABが協調してSVMモデルを構築し,すべてのユーザアソシエーションを決定できる。
  論文  参考訳（メタデータ） (2020-03-19T14:18:25Z)

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。