論文の概要: Transfer learning-based method for automated ewaste recycling in smart cities

• arxiv url: http://arxiv.org/abs/2606.23286v1
• Date: Mon, 22 Jun 2026 13:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:52:49.390376
• Title: Transfer learning-based method for automated ewaste recycling in smart cities
• Title（参考訳）: 移動学習に基づくスマートシティにおける自動排水リサイクル手法
• Authors: Nermeen Abou Baker, Paul Szabo-Müller, Uwe Handmann,
• Abstract要約: この研究は、AlexNetの出力層を事前学習モデルとして微調整することで、人工知能の特殊な技術としてトランスファーラーニングを適用した。 本研究は, 排水処理の誤り率を低減させるため, 自動排水リサイクルを支援し, 移行学習を最良シナリオとして活用することの利点について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sorting a huge stream of waste accurately within a short period can be done with the support of digitalization, particularly Artificial Intelligence, instead of traditional methods. The overlap of Artificial Intelligence and Circular Economy can flourish many services in the environmental technology domain, in particular smart ewaste recycling, resulting in enabling circular smart cities. We analyse the growing need for automated ewaste recycling as an essential requirement to cope with the fast growing ewaste stream and we shed the light on the impact of Artificial Intelligence in supporting the recycling process through smart classification of devices, where the smartphone is our case study. Our study applies transfer learning as a special technique of Artificial Intelligence by finetuning the output layers of AlexNet as a pretrained model and perform the implementation on a small size dataset that contains 12 classes from 6 smartphone brands. We evaluate the performance of our model by tuning the learning rate, choosing the best optimizer, and augmenting the original dataset to avoid overfitting. We found that the optimizer of Stochastic Gradient Descent with Momentum and 3e-4 as a learning rate brings almost 98% model accuracy with generalization. Our study supports automated ewaste recycling in decreasing the error rate of ewaste sorting and investigates the advantages of applying transfer learning as the best scenario to overcome the rising challenges.
• Abstract（参考訳）: 大量の廃棄物を短時間で正確に保存することは、従来の方法ではなく、デジタル化、特に人工知能をサポートすることで実現できる。 人工知能と循環経済の重複は、環境技術分野、特にスマートエワストリサイクルにおける多くのサービスを繁栄させ、循環型スマートシティを可能にしている。 我々は,急速に成長するエワステストリームに対処するための必須要件として,自動エワステリサイクルの必要性が高まっていることを分析し,スマートフォンがケーススタディであるスマートなデバイス分類を通じて,リサイクルプロセスを支援する上での人工知能の影響に光を当てた。 本研究は、AlexNetの出力層を事前学習モデルとして微調整し、6つのスマートフォンブランドの12クラスを含む小型データセットに実装することにより、人工知能の特殊な技術としてトランスファーラーニングを適用した。 学習率を調整し、最適なオプティマイザを選択し、オーバーフィッティングを避けるために元のデータセットを増強することで、モデルの性能を評価する。 その結果,Momentum と 3e-4 を学習率として用いた確率勾配 Descent の最適化により,モデル精度の約98% が一般化された。 本研究は, 排水処理の誤り率を低減させるため, 自動排水リサイクルを支援し, 移行学習を最良シナリオとして活用することの利点について検討する。

関連論文リスト

• AutoSOTA: An End-to-End Automated Research System for State-of-the-Art AI Model Discovery [49.77172027295716]
  AutoSOTAは、トップレベルのAI論文で発表された最新のState-Of-The-Art(SOTA)モデルを進化させるエンドツーエンドの自動研究システムである。 報告された方法を超える新しい105種類のSOTAモデルを発見し、平均して1紙あたり平均5時間である。
  論文  参考訳（メタデータ） (2026-04-07T07:52:01Z)
• SSA3D: Text-Conditioned Assisted Self-Supervised Framework for Automatic Dental Abutment Design [52.57094737117145]
  本稿では、再構成ブランチと回帰ブランチを備えたデュアルブランチアーキテクチャを用いた自己教師付き自動支台築造設計フレームワーク(SS$A3$D)を提案する。 回帰分岐は、教師付き学習下での分配パラメータを予測し、個別の事前学習と微調整のプロセスを排除します。 また、他の手法と比較して最先端性能を実現し、自動当接設計の精度と効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-12-12T12:08:05Z)
• Improving Industrial Injection Molding Processes with Explainable AI for Quality Classification [0.0]
  射出成形品の品質分類に及ぼすXAI技術を用いた機能低下の影響について検討した。 この結果から,高分類性能を維持しつつ,特徴量の削減により一般化が向上することが示唆された。 このアプローチは、AIによる品質管理、特にセンサー能力に制限のある産業環境での実現可能性を高める。
  論文  参考訳（メタデータ） (2025-11-11T11:07:21Z)
• Automated Evolutionary Optimization for Resource-Efficient Neural Network Training [0.3905614402386577]
  我々は、新しい自動機械学習(AutoML)フレームワーク、効率的な学習とロバスト自動化(PETRA)を開発した。 モデルアーキテクチャとトレーニング戦略に進化的最適化を適用する。 PETRAはプルーニング、量子化、損失正規化を含む。
  論文  参考訳（メタデータ） (2025-10-10T17:17:49Z)
• Auto-Compressing Networks [51.221103189527014]
  本稿では,各層からの長いフィードフォワード接続が従来の短残コネクションに取って代わるアーキテクチャ変種であるAuto-compression Networks (ACNs)を紹介する。 本稿では,ACNが残差ネットワークと比較して高雑音を示すこと,低データ設定における優れた性能を示すこと,破滅的忘れを軽減できることを述べる。 これらの知見は、効率的な神経アーキテクチャを開発するための実践的なアプローチとしてACNを確立している。
  論文  参考訳（メタデータ） (2025-06-11T13:26:09Z)
• Plasticine: Accelerating Research in Plasticity-Motivated Deep Reinforcement Learning [122.67854581396578]
  Plasticineは、深層強化学習における塑性最適化をベンチマークするためのオープンソースのフレームワークである。 Plasticineは13以上の緩和メソッド、評価メトリクス10、学習シナリオの単一ファイル実装を提供する。
  論文  参考訳（メタデータ） (2025-04-24T12:32:13Z)
• Advancing Recycling Efficiency: A Comparative Analysis of Deep Learning Models in Waste Classification [0.0]
  本研究は, 各種深層学習モデルの解析により, リサイクルにおける廃棄物分類の押し付け問題に取り組む。 以上の結果から, 複雑な廃棄物カテゴリの精度が著しく向上することが示唆された。 この研究は, 多カテゴリー廃棄物リサイクルの今後の発展への道を開くものである。
  論文  参考訳（メタデータ） (2024-11-05T03:44:54Z)
• Don't Start From Scratch: Leveraging Prior Data to Automate Robotic Reinforcement Learning [70.70104870417784]
  強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。 現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。 本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
  論文  参考訳（メタデータ） (2022-07-11T08:31:22Z)
• Towards artificially intelligent recycling Improving image processing for waste classification [0.0]
  IBMのWastenetプロジェクトは、廃棄物の分類に人工知能を用いてリサイクルを改善することを目的としている。 本稿では,移動学習とデータ拡張技術を用いて,このプロジェクトを基盤とする。 その結果、これらの拡張技術により、最終モデルのテスト精度は95.40%向上した。
  論文  参考訳（メタデータ） (2021-08-09T21:41:48Z)
• Low Dimensional State Representation Learning with Reward-shaped Priors [7.211095654886105]
  本研究では,観測結果から低次元状態空間への写像の学習を目的とした手法を提案する。 このマッピングは、環境とタスクの事前知識を組み込むために形作られた損失関数を用いて教師なしの学習で学習される。 本手法は,シミュレーション環境における移動ロボットナビゲーションタスクおよび実ロボット上でのテストを行う。
  論文  参考訳（メタデータ） (2020-07-29T13:00:39Z)

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。