論文の概要: Causal Machine Learning in IoT-based Engineering Problems: A Tool Comparison in the Case of Household Energy Consumption

• arxiv url: http://arxiv.org/abs/2505.12147v2
• Date: Thu, 29 May 2025 16:25:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.416112
• Title: Causal Machine Learning in IoT-based Engineering Problems: A Tool Comparison in the Case of Household Energy Consumption
• Title（参考訳）: IoTに基づくエンジニアリング問題における因果機械学習:家庭用エネルギー消費のツール比較
• Authors: Nikolaos-Lysias Kosioris, Sotirios Nikoletseas, Gavrilis Filios, Stefanos Panagiotou,
• Abstract要約: 因果機械学習法に基づく2つの一般的なツールを比較した。 ツールの動作は18のクエリに対する応答を調べることで実証される。 結果は奨励され、容易に他のドメインに拡張される可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The rapid increase in computing power and the ability to store Big Data in the infrastructure has enabled predictions in a large variety of domains by Machine Learning. However, in many cases, existing Machine Learning tools are considered insufficient or incorrect since they exploit only probabilistic dependencies rather than inference logic. Causal Machine Learning methods seem to close this gap. In this paper, two prevalent tools based on Causal Machine Learning methods are compared, as well as their mathematical underpinning background. The operation of the tools is demonstrated by examining their response to 18 queries, based on the IDEAL Household Energy Dataset, published by the University of Edinburgh. First, it was important to evaluate the causal relations assumption that allowed the use of this approach; this was based on the preexisting scientific knowledge of the domain and was implemented by use of the in-built validation tools. Results were encouraging and may easily be extended to other domains.
• Abstract（参考訳）: コンピューティング能力の急速な増加とインフラストラクチャにビッグデータを格納する能力により、機械学習によって、さまざまな領域での予測が可能になった。 しかし、多くの場合、既存の機械学習ツールは推論ロジックではなく確率的依存関係のみを利用するため、不十分または不正確とみなされる。 因果機械学習の手法はこのギャップを埋めているようだ。 本稿では,Causal Machine Learning法に基づく2つの一般的なツールを比較し,その数学的背景について述べる。 ツールの動作は,エディンバラ大学が発行したIDEALハウスエナジーデータセットに基づく18の質問に対する応答を調べることで実証される。 まず、この手法を応用できる因果関係の仮定を評価することが重要であり、これは既存の領域の科学的知識に基づいて構築された検証ツールを用いて実装された。 結果は奨励され、容易に他のドメインに拡張される可能性がある。

関連論文リスト

• Robust Counterfactual Explanations under Model Multiplicity Using Multi-Objective Optimization [0.8702432681310401]
  対実的説明(CE)は、類似した精度で複数の機械学習モデルが存在する場合、堅牢ではない。 本稿では,新しい視点を導入する頑健なCEと,その生成に多目的最適化を用いる手法を提案する。 この研究は、機械学習の説明可能性、意思決定、機械学習に基づくアクションプランニングなど、さまざまな分野の貴重な基盤となる可能性があると我々は信じている。
  論文  参考訳（メタデータ） (2025-01-10T08:57:50Z)
• Coupling Machine Learning with Ontology for Robotics Applications [0.0]
  動的シナリオにおける事前知識の可用性の欠如は、間違いなくスケーラブルなマシンインテリジェンスにとって大きな障壁である。 二つの階層間の相互作用についての私の見解は、知識が知識ベース層で容易に利用できない場合、他の階層からより多くの知識を抽出できるという考えに基づいている。
  論文  参考訳（メタデータ） (2024-06-08T23:38:03Z)
• A Survey on Brain-Inspired Deep Learning via Predictive Coding [85.93245078403875]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Learnability with Time-Sharing Computational Resource Concerns [65.268245109828]
  本稿では,学習理論における計算資源の影響を考慮した理論的枠組みを提案する。 このフレームワークは、入ってくるデータストリームが潜在的に無限であるようなストリーム学習に自然に適用できる。 これはまた、インテリジェントなスーパーコンピュータオペレーティングシステムの設計に対する理論的視点を提供するかもしれない。
  論文  参考訳（メタデータ） (2023-05-03T15:54:23Z)
• The Right Tool for the Job: Open-Source Auditing Tools in Machine Learning [0.0]
  近年,機械学習,AI倫理,アルゴリズム監査の公平性に関する議論が増えている。 多くのオープンソース監査ツールが利用可能だが、ユーザはツールや便利なもの、アクセス方法に常に気付いていない。 本稿は,これらのツールを実際に活用する緊急ニーズの強化と,それを実現するモチベーションの提供を目的としている。
  論文  参考訳（メタデータ） (2022-06-20T15:20:26Z)
• A Survey on Extraction of Causal Relations from Natural Language Text [9.317718453037667]
  因果関係はテキストに頻繁に現れ、テキストから因果関係を計算することで、予測タスクのための因果関係を構築するのに役立つ。 既存の因果抽出技術には、知識ベース、統計機械学習(ML)ベース、深層学習ベースアプローチなどがある。
  論文  参考訳（メタデータ） (2021-01-16T10:49:39Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。