論文の概要: Energy Equity, Infrastructure and Demographic Analysis with XAI Methods
- arxiv url: http://arxiv.org/abs/2509.16279v1
- Date: Thu, 18 Sep 2025 19:13:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:15.720128
- Title: Energy Equity, Infrastructure and Demographic Analysis with XAI Methods
- Title（参考訳）: XAI法によるエネルギーエクイティ・インフラストラクチャ・デモグラフィー解析
- Authors: Sarahana Shrestha, Aparna S. Varde, Pankaj Lal,
- Abstract要約: 本研究は、複数の地域における電力使用量を調べるために、説明可能な人工知能(XAI)の手法をデプロイする。
エネルギー消費の最も重要な問題、すなわち中央値の世帯所得で分けられたエネルギーに費やされる総量に対処する。
分析結果に基づき, 新規エネルギー負荷電卓とともに, パイロットエネルギーエクイティWebポータルを設計した。
- 参考スコア（独自算出の注目度）: 1.8224668251608893
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study deploys methods in explainable artificial intelligence (XAI), e.g. decision trees and Pearson's correlation coefficient (PCC), to investigate electricity usage in multiple locales. It addresses the vital issue of energy burden, i.e. total amount spent on energy divided by median household income. Socio-demographic data is analyzed with energy features, especially using decision trees and PCC, providing explainable predictors on factors affecting energy burden. Based on the results of the analysis, a pilot energy equity web portal is designed along with a novel energy burden calculator. Leveraging XAI, this portal (with its calculator) serves as a prototype information system that can offer tailored actionable advice to multiple energy stakeholders. The ultimate goal of this study is to promote greater energy equity through the adaptation of XAI methods for energy-related analysis with suitable recommendations.
- Abstract（参考訳）: 本研究では、説明可能な人工知能(XAI)、eg決定木、ピアソン相関係数(PCC)の手法を展開し、複数の地域における電気利用について検討する。
エネルギー消費の最も重要な問題、すなわち中央値の世帯所得で分配されたエネルギーに費やされる総量に対処する。
ソシオデミノグラフィーデータはエネルギー特性、特に決定木とPCCを用いて分析され、エネルギー負荷に影響する要因について説明可能な予測因子を提供する。
分析結果に基づき, 新規エネルギー負荷電卓とともに, パイロットエネルギーエクイティWebポータルを設計した。
XAIを活用して、このポータル(電卓)は、複数のエネルギー利害関係者に適切な行動可能なアドバイスを提供するためのプロトタイプ情報システムとして機能する。
本研究の究極的な目標は,エネルギー関連分析へのXAI法の適用を通じて,適切なレコメンデーションによるより大きなエネルギーエクイティを促進することである。
関連論文リスト
- Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Explainable AI for building energy retrofitting under data scarcity [40.14307808809578]
本研究では,人工知能(AI)と機械学習(ML)を基盤として,住宅のエネルギー効率対策を推奨する枠組みを提案する。
ラトビアをケーススタディとして、この方法論は限られたデータセット、クラス不均衡、データ不足に関連する課題に対処する。
このアプローチの評価は、データ制限を顕著に克服し、精度、リコール、F1スコアの最大54%の改善を実現していることを示している。
論文 参考訳（メタデータ） (2025-04-08T14:00:08Z) - THOR: A Generic Energy Estimation Approach for On-Device Training [34.57867978862375]
THORは、ディープニューラルネットワーク(DNN)トレーニングにおけるエネルギー消費推定のための一般的なアプローチである。
我々は、様々な現実世界のプラットフォームにまたがる様々なタイプのモデルで広範な実験を行う。
その結果,THORは平均絶対パーセンテージ誤差(MAPE)を最大30%削減した。
論文 参考訳（メタデータ） (2025-01-27T03:29:02Z) - Double-Exponential Increases in Inference Energy: The Cost of the Race for Accuracy [3.6731536660959985]
コンピュータビジョンにおけるディープラーニングモデルは、エネルギー消費と持続可能性に対する懸念を増大させる。
1200画像ネット分類モデルの推定エネルギー消費の包括的分析を行う。
我々は、エネルギー消費に寄与する重要な要因を特定し、エネルギー効率を向上させる方法を示す。
論文 参考訳（メタデータ） (2024-12-12T21:44:08Z) - Demonstration of energy extraction gain from non-classical correlations [62.615368802619116]
エンタングルメントは、制御可能な設定における抽出可能なエネルギーの量を支配していることを示す。
2ビットの資源状態の一致とフィードバックポリシの適用によるエネルギー抽出利得の両方を定量化することにより、情報とエネルギーの関連性を裏付ける。
論文 参考訳（メタデータ） (2024-04-23T08:44:07Z) - EnergyAnalyzer: Using Static WCET Analysis Techniques to Estimate the
Energy Consumption of Embedded Applications [0.6144680854063939]
EnergyAnalyzerは、組み込みソフトウェアのエネルギー消費を推定するためのコードレベルの静的解析ツールである。
これは、エネルギー特性が第一級市民である組み込みアプリケーションを開発するためのツールチェーンを提供することを目的とした、TeamPlayと呼ばれるより大きなプロジェクトの一部として開発された。
論文 参考訳（メタデータ） (2023-05-24T10:01:32Z) - Energy Efficiency of Training Neural Network Architectures: An Empirical
Study [11.325530936177493]
ディープラーニングモデルの評価は、伝統的に精度、F1スコア、関連する指標などの基準に焦点を当ててきた。
このようなモデルを訓練するために必要な計算は、大きな炭素フットプリントを必要とする。
本研究では, DLモデルアーキテクチャと環境影響との関係を, エネルギー消費の観点から検討した。
論文 参考訳（メタデータ） (2023-02-02T09:20:54Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - 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。
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。