論文の概要: Sequence to Point Learning Based on Bidirectional Dilated Residual Network for Non Intrusive Load Monitoring

• arxiv url: http://arxiv.org/abs/2006.00250v1
• Date: Sat, 30 May 2020 12:31:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 17:41:00.685477
• Title: Sequence to Point Learning Based on Bidirectional Dilated Residual Network for Non Intrusive Load Monitoring
• Title（参考訳）: 非侵入的負荷モニタリングのための双方向拡張残差ネットワークに基づく点学習
• Authors: Ziyue Jia, Linfeng Yang, Zhenrong Zhang, Hui Liu, Fannie Kong
• Abstract要約: 非侵入負荷モニタリング(Non Intrusive Load Monitoring, NILM)は、家全体の総合電力読取から対応する家電の電力読取を分解して省エネを図る。 近年,深層学習がNILM問題で人気が高まっている。 NILMの双方向(非カジュアル)拡張畳み込みに基づく点学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.8097249903933914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non Intrusive Load Monitoring (NILM) or Energy Disaggregation (ED), seeks to save energy by decomposing corresponding appliances power reading from an aggregate power reading of the whole house. It is a single channel blind source separation problem (SCBSS) and difficult prediction problem because it is unidentifiable. Recent research shows that deep learning has become a growing popularity for NILM problem. The ability of neural networks to extract load features is closely related to its depth. However, deep neural network is difficult to train because of exploding gradient, vanishing gradient and network degradation. To solve these problems, we propose a sequence to point learning framework based on bidirectional (non-casual) dilated convolution for NILM. To be more convincing, we compare our method with the state of art method, Seq2point (Zhang) directly and compare with existing algorithms indirectly via two same datasets and metrics. Experiments based on REDD and UK-DALE data sets show that our proposed approach is far superior to existing approaches in all appliances.
• Abstract（参考訳）: 非侵入負荷モニタリング(NILM)またはエネルギー分散(ED)は、家全体の総合電力読取から対応する家電機器の電力読取を分解することで省エネルギーを図る。 単一チャネルブラインドソース分離問題(SCBSS)であり、識別できないため予測が難しい。 近年,深層学習がNILM問題で人気が高まっている。 ニューラルネットワークが負荷特徴を抽出する能力はその深さと密接に関連している。 しかし、深層ニューラルネットワークは勾配の爆発、勾配の消滅、ネットワーク劣化のために訓練が難しい。 これらの問題を解決するために,nilmの双方向(非領域)拡張畳み込みに基づくシーケンスト・ポイント学習フレームワークを提案する。 より説得力のあるものにするために、本手法と最先端のseq2point (zhang) を直接比較し、2つの同一のデータセットとメトリクスを用いて間接的に既存のアルゴリズムと比較する。 REDDおよびUK-DALEデータセットに基づく実験により,提案手法は全家電の既存手法よりもはるかに優れていることが示された。

関連論文リスト

• Convolutional Neural Networks and Mixture of Experts for Intrusion Detection in 5G Networks and beyond [5.452584641316627]
  6G/NextGネットワークは、新たなセキュリティ脅威に対して脆弱になる可能性がある。 侵入検知タスクの既存の研究は、浅い機械学習分類器の列車に依存している。 悪意のあるトラフィックを特定するために,Mixture of Experts (MoE)を統合した最初の研究を行った。
  論文  参考訳（メタデータ） (2024-12-04T17:20:01Z)
• Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
  本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。 RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。 また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
  論文  参考訳（メタデータ） (2023-12-18T18:16:30Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
  本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。 破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T14:19:07Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)
• Sequence-to-Sequence Load Disaggregation Using Multi-Scale Residual Neural Network [4.094944573107066]
  非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、電力をモニタするコスト効率の高い方法として、ますます注目されている。 ディープニューラルネットワークは、負荷分散の分野で大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-09-25T17:41:28Z)
• Deep HyperNetwork-Based MIMO Detection [10.433286163090179]
  従来のアルゴリズムは複雑すぎて実用的すぎるか、パフォーマンスが悪いかのどちらかだ。 最近のアプローチでは、ディープニューラルネットワークとして検出器を実装することで、これらの課題に対処しようとした。 本研究では、チャネル行列を入力とし、ニューラルネットワークベースの検出器の重みを生成するハイパーネットワークと呼ばれる追加のニューラルネットワーク(NN)をトレーニングすることで、両方の問題に対処する。
  論文  参考訳（メタデータ） (2020-02-07T13:03:22Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。