論文の概要: Attention Mechanism for Multivariate Time Series Recurrent Model
Interpretability Applied to the Ironmaking Industry
- arxiv url: http://arxiv.org/abs/2007.12617v1
- Date: Wed, 15 Jul 2020 07:18:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 06:21:43.227901
- Title: Attention Mechanism for Multivariate Time Series Recurrent Model
Interpretability Applied to the Ironmaking Industry
- Title(参考訳): 製鉄業における多変量時系列リカレントモデル解釈可能性の注意機構
- Authors: Cedric Schockaert, Reinhard Leperlier, Assaad Moawad
- Abstract要約: 本稿では,高炉で発生した高温金属の深部学習アーキテクチャを予測可能な多変量時系列で予測する手法の開発に焦点をあてる。
長短期記憶(LSTM)に基づくアーキテクチャが提案され,各入力に対する局所的時間的解釈可能性の予測に適合する。
その結果, 本アーキテクチャが高確率で高炉データに適用され, 本来の高炉プロセスによって予測される真の複雑な変数関係を正しく反映した解釈性が得られることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven model interpretability is a requirement to gain the acceptance of
process engineers to rely on the prediction of a data-driven model to regulate
industrial processes in the ironmaking industry. In the research presented in
this paper, we focus on the development of an interpretable multivariate time
series forecasting deep learning architecture for the temperature of the hot
metal produced by a blast furnace. A Long Short-Term Memory (LSTM) based
architecture enhanced with attention mechanism and guided backpropagation is
proposed to accommodate the prediction with a local temporal interpretability
for each input. Results are showing high potential for this architecture
applied to blast furnace data and providing interpretability correctly
reflecting the true complex variables relations dictated by the inherent blast
furnace process, and with reduced prediction error compared to a
recurrent-based deep learning architecture.
- Abstract(参考訳): データ駆動型モデル解釈可能性(Data-driven model interpretability)は、製鉄業界における産業プロセスを制御するデータ駆動型モデルの予測に依存するプロセスエンジニアの受け入れを得るための要件である。
本稿では,高炉で発生する高温金属の温度に対する深層学習アーキテクチャを予測可能な多変量時系列モデルの開発に焦点をあてる。
注意機構とガイド付きバックプロパゲーションにより強化されたLong Short-Term Memory (LSTM) ベースのアーキテクチャを提案する。
その結果,高炉データに適用できる可能性が高く,内在的な高炉プロセスによって引き起こされる真の複素変数関係を正しく反映し,再帰型深層学習アーキテクチャと比較して予測誤差を低減できることがわかった。
関連論文リスト
- Symbolic Regression as Feature Engineering Method for Machine and Deep
Learning Regression Tasks [0.6906005491572401]
本研究では,機械学習モデルに先立って,記号回帰(SR)を効果的な特徴工学(FE)プロセスとして統合することを提案する。
合成および実世界の物理関連データセットを広範囲に実験することにより、SR起源の特徴の組み入れにより、機械学習とディープラーニングの回帰モデルの両方の予測能力が著しく向上することを示す。
論文 参考訳(メタデータ) (2023-11-10T12:34:28Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Multi-Dimensional Self Attention based Approach for Remaining Useful
Life Estimation [0.17205106391379021]
RUL(Remaining Useful Life)推定は、予後・健康管理(PHM)において重要な役割を担っている。
本稿では,IIoTシナリオにおけるマルチセンサデバイスのための生活予測モデルについて検討する。
本稿では,RUL推定のためのデータ駆動手法を提案する。
論文 参考訳(メタデータ) (2022-12-12T08:50:27Z) - Evaluating Short-Term Forecasting of Multiple Time Series in IoT
Environments [67.24598072875744]
IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。
この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。
これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
論文 参考訳(メタデータ) (2022-06-15T19:46:59Z) - Interpreting Machine Learning Models for Room Temperature Prediction in
Non-domestic Buildings [0.0]
本研究では,非住宅の室温予測を目的とした解釈可能な機械学習モデルを提案する。
提案モデルでは, 室温をリアルタイムで8時間前に正確に予測できることを実験的に実証した。
論文 参考訳(メタデータ) (2021-11-23T11:16:35Z) - Tsformer: Time series Transformer for tourism demand forecasting [1.0883306593668278]
本稿では,観光需要予測のためのTransformer-Decoderアーキテクチャを用いた時系列トランスフォーマー(Tsformer)を提案する。
提案したTsformerは,エンコーダによる長期依存性をエンコードし,デコーダによる短期依存性をキャプチャし,アテンションインタラクションを簡略化する。
ジズハイゴウ渓谷とシグニャング山地の観光需要データセットと他の9つのベースライン手法による実験は、提案されたTsformerが全てのベースラインモデルを上回ったことを示している。
論文 参考訳(メタデータ) (2021-07-22T06:33:20Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳(メタデータ) (2020-06-13T17:28:52Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。