Fugu-MT 論文翻訳(概要): Stabilization of industrial processes with time series machine learning

論文の概要: Stabilization of industrial processes with time series machine learning

arxiv url: http://arxiv.org/abs/2506.22502v1
Date: Wed, 25 Jun 2025 12:04:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-01 21:27:53.426795
Title: Stabilization of industrial processes with time series machine learning
Title（参考訳）: 時系列機械学習による産業プロセスの安定化
Authors: Matvei Anoshin, Olga Tsurkan, Vadim Lopatkin, Leonid Fedichkin,
Abstract要約: 本稿では,2つのニューラルネットワークからなる簡単なパイプラインを提案する。オーラクル予測器とニューラルネットワークトレーニングは,通常の解法に比べて約3倍の温度制御で安定性を向上する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The stabilization of time series processes is a crucial problem that is ubiquitous in various industrial fields. The application of machine learning to its solution can have a decisive impact, improving both the quality of the resulting stabilization with less computational resources required. In this work, we present a simple pipeline consisting of two neural networks: the oracle predictor and the optimizer, proposing a substitution of the point-wise values optimization to the problem of the neural network training, which successfully improves stability in terms of the temperature control by about 3 times compared to ordinary solvers.
Abstract（参考訳）: 時系列プロセスの安定化は、様々な産業分野において重要な問題である。機械学習のソリューションへの適用は、計算リソースの少ない結果の安定化の品質を両立させ、決定的な影響を与える可能性がある。本稿では,2つのニューラルネットワークからなる簡単なパイプラインを提案する: オラクル予測器とオプティマイザで, 点値最適化の代用をニューラルネットワークトレーニングの問題に提案し, 通常の解法に比べて約3倍の温度制御で安定性を向上する。

関連論文リスト

Improvement of Optimization using Learning Based Models in Mixed Integer Linear Programming Tasks [2.1111289252277197]
混合線形プログラム(MILP)は、建設、製造、物流といった重要な産業において計画とスケジューリングの問題を解決するための重要なツールである。本稿では,グラフニューラルネットワーク(GNN)の学習に行動クローニング(BC)と強化学習(RL)を活用する学習ベースフレームワークを提案する。本手法は,ソリューションの品質と実現可能性を維持しつつ,従来の手法と比較して最適化時間と分散を低減させる。
論文参考訳（メタデータ） (2025-05-17T01:31:53Z)
An analysis of optimization problems involving ReLU neural networks [38.258426534664046]
本研究では,混合整数型プログラミング解法における実行時間挙動の解析と改善手法について検討する。本論文では,これらの手法を3つのベンチマーク問題に対して数値的に比較する。主要な出発点として、我々は、しばしば望まれるニューラルネットワークモデルの冗長性と、関連する最適化問題を解決するための計算コストとの間のトレードオフを観察し、定量化する。
論文参考訳（メタデータ） (2025-02-05T09:18:07Z)
Self-Supervised Learning of Iterative Solvers for Constrained Optimization [0.0]
制約付き最適化のための学習型反復解法を提案する。解法を特定のパラメトリック最適化問題にカスタマイズすることで、非常に高速で正確な解を得ることができる。最適性のKarush-Kuhn-Tucker条件に基づく新しい損失関数を導入し、両ニューラルネットワークの完全な自己教師付きトレーニングを可能にする。
論文参考訳（メタデータ） (2024-09-12T14:17:23Z)
AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。 AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
論文参考訳（メタデータ） (2023-02-05T01:39:21Z)
Physics Informed Piecewise Linear Neural Networks for Process Optimization [0.0]
ニューラルネットワークモデルに埋め込まれた最適化問題に対して,物理情報を用いた線形ニューラルネットワークモデルの更新が提案されている。すべてのケースにおいて、物理インフォームドトレーニングニューラルネットワークに基づく最適結果は、大域的最適性に近い。
論文参考訳（メタデータ） (2023-02-02T10:14:54Z)
To be or not to be stable, that is the question: understanding neural networks for inverse problems [0.0]
本稿では,ニューラルネットワークの安定性と精度のトレードオフを理論的に解析する。ネットワークの安定性を高め、良好な精度を維持するために、異なる教師付きおよび教師なしのソリューションを提案する。
論文参考訳（メタデータ） (2022-11-24T16:16:40Z)
Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文参考訳（メタデータ） (2022-07-28T19:59:14Z)
Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。提案手法は,財務時系列のバイモーダル特性を考慮したものである。我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文参考訳（メタデータ） (2021-09-01T07:52:03Z)
Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文参考訳（メタデータ） (2021-05-06T02:22:23Z)
Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2020-07-14T12:38:21Z)
Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。