論文の概要: Application of machine learning for infrastructure reconstruction programs management

• arxiv url: http://arxiv.org/abs/2511.20916v1
• Date: Tue, 25 Nov 2025 23:14:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.891671
• Title: Application of machine learning for infrastructure reconstruction programs management
• Title（参考訳）: インフラ再建プログラム管理への機械学習の適用
• Authors: Illia Khudiakov, Vladyslav Pliuhin, Sergiy Plankovskyy, Yevgen Tsegelnyk,
• Abstract要約: 本稿では,エンジニアリングインフラストラクチャ再構築プログラム管理の効率化を目的とした,適応型意思決定支援モデルについて述べる。 モデルの主要なコンポーネントは定義されており、一連の意思決定の好み、意思決定のタスク、入力データのセット、適用されたソフトウェアコンポーネントが含まれる。 熱, ガス, 電気, 水道, 排水などの工学系を再構築するためのプログラム管理において, 適応モデルの適用が可能となる。
• 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 purpose of this article is to describe an adaptive decision-making support model aimed at improving the efficiency of engineering infrastructure reconstruction program management in the context of developing the architecture and work breakdown structure of programs. As part of the study, the existing adaptive program management tools are analyzed, the use of infrastructure systems modelling tools is justified for program architecture and WBS creation. Existing models and modelling methods are viewed, and machine learning and artificial neural networks are selected for the model. The main components of the model are defined, which include a set of decision-maker preferences, decision-making tasks, sets of input data, and applied software components of the model. To support decision-making, the adaptive model applies the method of system modeling and predicting the value of the objective function at a given system configuration. Prediction is done using machine learning methods based on a dataset consisting of historical data related to existing engineering systems. The work describes the components of the redistribution of varied model parameters, which modify the model dataset based on the selected object type, which allows adapting the decision-making process to the existing program implementation goals. The functional composition done in Microsoft Azure Machine Learning Studio is described. The neural network parameters and evaluation results are given. The application of the developed adaptive model is possible in the management of programs for the reconstruction of such engineering systems as systems of heat, gas, electricity supply, water supply, and drainage, etc.
• Abstract（参考訳）: 本研究の目的は,プログラムのアーキテクチャと作業の分解構造を開発する文脈において,エンジニアリングインフラ再構築プログラム管理の効率化を目的とした適応型意思決定支援モデルについて述べることである。 この研究の一環として、既存の適応型プログラム管理ツールを分析し、プログラムアーキテクチャとWBS作成のためにインフラシステムモデリングツールの使用を正当化する。 既存のモデルとモデリング手法を閲覧し、そのモデルに対して機械学習と人工ニューラルネットワークを選択する。 モデルの主なコンポーネントは、意思決定の好み、意思決定のタスク、入力データのセット、モデルの応用ソフトウェアコンポーネントを含む、定義されている。 意思決定を支援するために、適応モデルは、所定のシステム構成において、対象関数の値を予測し、システムモデリングの手法を適用する。 予測は、既存のエンジニアリングシステムに関連する履歴データからなるデータセットに基づいて機械学習手法を用いて行われる。 この作業では、選択されたオブジェクトタイプに基づいてモデルデータセットを修正し、既存のプログラムの実装目標に意思決定プロセスを適用することが可能な、さまざまなモデルパラメータの再配布のコンポーネントについて説明している。 Microsoft Azure Machine Learning Studioで実施された機能構成について説明する。 ニューラルネットワークパラメータと評価結果が与えられる。 熱, ガス, 電気, 水道, 排水などの工学系を再構築するためのプログラム管理において, 適応モデルの適用が可能となる。

関連論文リスト

• Bridging Engineering and AI Planning through Model-Based Knowledge Transformation for the Validation of Automated Production System Variants [36.25050480925601]
  本稿では,記号的計画アーティファクトの仕様と自動生成を可能にするモデル駆動方式を提案する。 専用のSysMLプロファイルでは、コアプランニングのための再利用可能なステレオタイプが導入されている。 このメソッドはネイティブ統合をサポートし、エンジニアリングと計画アーティファクト間の一貫性を維持する。
  論文  参考訳（メタデータ） (2025-09-15T16:18:08Z)
• Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
  大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。 これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。 また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
  論文  参考訳（メタデータ） (2025-08-12T09:45:19Z)
• A Survey of Model Architectures in Information Retrieval [59.61734783818073]
  2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。 従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。 今後の課題と今後の方向性について、先見的な議論で締めくくります。
  論文  参考訳（メタデータ） (2025-02-20T18:42:58Z)
• Towards Synthetic Trace Generation of Modeling Operations using In-Context Learning Approach [1.8874331450711404]
  本稿では,イベントログのモデリング,インテリジェントなモデリングアシスタント,モデリング操作の生成を組み合わせた概念的フレームワークを提案する。 特に、アーキテクチャは、設計者がシステムを指定するのを助け、その操作をグラフィカルなモデリング環境内で記録し、関連する操作を自動的に推奨する、モデリングコンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-08-26T13:26:44Z)
• Code Generation for Machine Learning using Model-Driven Engineering and SysML [0.0]
  この研究は、機械学習タスクを形式化する以前の作業を拡張して、実践的なデータ駆動エンジニアリングの実装を促進することを目的としている。 本手法は,天気予報のためのケーススタディにおいて,実現可能性について評価した。 結果は、実装の労力を減らす方法の柔軟性と単純さを示します。
  論文  参考訳（メタデータ） (2023-07-10T15:00:20Z)
• Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
  視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。 リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。 モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
  論文  参考訳（メタデータ） (2022-02-22T02:33:54Z)
• Concept for a Technical Infrastructure for Management of Predictive Models in Industrial Applications [0.0]
  モデル管理システムの技術的概念について述べる。 このコンセプトには、データのバージョニングストレージ、さまざまな機械学習アルゴリズムのサポート、モデルの微調整、その後のモデルのデプロイ、デプロイ後のモデルパフォーマンスの監視が含まれる。
  論文  参考訳（メタデータ） (2021-07-29T08:38:46Z)
• Optimal by Design: Model-Driven Synthesis of Adaptation Strategies for Autonomous Systems [9.099295007630484]
  我々は,自律システムのための最適適応戦略のモデルベース要求駆動型合成のためのフレームワークであるOptimal by Design (ObD)を提案する。 ObDは、自己適応システムの基本的な要素、すなわちシステム、能力、要求、環境の高レベルな記述のためのモデルを提案する。 これらの要素に基づいてマルコフ決定プロセス(MDP)が構築され、最適な戦略や最も報いるシステム行動を計算する。
  論文  参考訳（メタデータ） (2020-01-16T12:49:55Z)

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。