ترجمه فارسی مقاله SplitVAEs: تولید سناریو غیرمتمرکز از داده‌های سیلد برای مسائل بهینه‌سازی تصادفی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی SplitVAEs: Decentralized scenario generation from siloed data for stochastic optimization problems
عنوان مقاله به فارسی SplitVAEs: تولید سناریو غیرمتمرکز از داده‌های سیلد برای مسائل بهینه‌سازی تصادفی
نویسندگان H M Mohaimanul Islam, Huynh Q. N. Vo, Paritosh Ramanan
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Optimization and Control,Methodology,یادگیری ماشین , بهینه سازی و کنترل , روش شناسی ,
توضیحات Submitted 18 September, 2024; originally announced September 2024. , Comments: This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: این کار برای انتشار احتمالی به IEEE ارسال شده است.حق چاپ ممکن است بدون اطلاع قبلی منتقل شود ، پس از آن ممکن است این نسخه دیگر در دسترس نباشد
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Stochastic optimization problems in large-scale multi-stakeholder networked systems (e.g., power grids and supply chains) rely on data-driven scenarios to encapsulate complex spatiotemporal interdependencies. However, centralized aggregation of stakeholder data is challenging due to the existence of data silos resulting from computational and logistical bottlenecks. In this paper, we present SplitVAEs, a decentralized scenario generation framework that leverages variational autoencoders to generate high-quality scenarios without moving stakeholder data. With the help of experiments on distributed memory systems, we demonstrate the broad applicability of SplitVAEs in a variety of domain areas that are dominated by a large number of stakeholders. Our experiments indicate that SplitVAEs can learn spatial and temporal interdependencies in large-scale networks to generate scenarios that match the joint historical distribution of stakeholder data in a decentralized manner. Our experiments show that SplitVAEs deliver robust performance compared to centralized, state-of-the-art benchmark methods while significantly reducing data transmission costs, leading to a scalable, privacy-enhancing alternative to scenario generation.

چکیده به فارسی (ترجمه ماشینی)

مشکلات بهینه سازی تصادفی در سیستم های شبکه ای چند ذینفع در مقیاس بزرگ (به عنوان مثال ، شبکه های برق و زنجیره های تأمین) به سناریوهای داده محور تکیه می کنند تا به همبستگی های پیچیده مکانی مکانی پیچیده بپردازند.با این حال ، تجمع متمرکز داده های ذینفعان به دلیل وجود سیلوهای داده ناشی از تنگناهای محاسباتی و لجستیکی ، چالش برانگیز است.در این مقاله ، ما Splitvaes ، یک چارچوب تولید سناریوی غیر متمرکز را ارائه می دهیم که از خودروهای متغیر استفاده می کند تا سناریوهای با کیفیت بالا را بدون جابجایی داده های ذینفعان تولید کند.با کمک آزمایشات در سیستم های حافظه توزیع شده ، ما کاربرد گسترده ای از Splitvaes را در انواع مناطق دامنه که توسط تعداد زیادی از ذینفعان حاکم است ، نشان می دهیم.آزمایشات ما نشان می دهد که Splitvaes می تواند وابستگی های مکانی و زمانی را در شبکه های در مقیاس بزرگ بیاموزد تا سناریوهایی را تولید کند که با توزیع مشترک مشترک داده های ذینفعان به روشی غیر متمرکز مطابقت داشته باشد.آزمایشات ما نشان می دهد که Splitvaes عملکرد قوی را در مقایسه با روشهای معیار متمرکز و پیشرفته ارائه می دهد و در عین حال هزینه های انتقال داده را به میزان قابل توجهی کاهش می دهد و منجر به یک جایگزین مقیاس پذیر و تقویت کننده حریم خصوصی برای تولید سناریو می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.