論文の概要: A Meta-learning based Distribution System Load Forecasting Model Selection Framework

• arxiv url: http://arxiv.org/abs/2009.12001v2
• Date: Thu, 15 Apr 2021 21:14:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 23:33:55.393951
• Title: A Meta-learning based Distribution System Load Forecasting Model Selection Framework
• Title（参考訳）: メタラーニングに基づく配電系統負荷予測モデル選択フレームワーク
• Authors: Yiyan Li, Si Zhang, Rongxing Hu, Ning Lu
• Abstract要約: フレームワークには、機能抽出、候補モデルラベリング、オフライントレーニング、オンラインモデルレコメンデーションといったプロセスが含まれている。 ユーザ負荷予測ニーズを入力機能として使用することにより,複数のメタ学習者が,予測精度に基づいて利用可能な負荷予測モデルをランク付けする。 スコアリング投票機構は、各メタレナーからのレコメンデーションを重み付け、最終的なレコメンデーションを作成する。
• 参考スコア（独自算出の注目度）: 6.499433762038562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a meta-learning based, automatic distribution system load forecasting model selection framework. The framework includes the following processes: feature extraction, candidate model labeling, offline training, and online model recommendation. Using user load forecasting needs as input features, multiple meta-learners are used to rank the available load forecast models based on their forecasting accuracy. Then, a scoring-voting mechanism weights recommendations from each meta-leaner to make the final recommendations. Heterogeneous load forecasting tasks with different temporal and technical requirements at different load aggregation levels are set up to train, validate, and test the performance of the proposed framework. Simulation results demonstrate that the performance of the meta-learning based approach is satisfactory in both seen and unseen forecasting tasks.
• Abstract（参考訳）: 本稿では,メタラーニングに基づく自動分散システム負荷予測モデル選択フレームワークを提案する。 フレームワークには、機能抽出、候補モデルラベリング、オフライントレーニング、オンラインモデルレコメンデーションといったプロセスが含まれている。 ユーザ負荷予測ニーズを入力機能として使用することで、予測精度に基づいて利用可能な負荷予測モデルをランク付けする。 そして、スコアリング・投票機構は、各メタリーンアからの推奨を重み付けて最終推奨を行う。 異なる負荷集約レベルにおける時間的および技術的要件の異なる不均一な負荷予測タスクを、提案フレームワークの性能を訓練、検証、テストするために設定する。 シミュレーションの結果, 予測課題と予測課題の両方において, メタラーニングに基づく手法の性能が満足できることがわかった。

関連論文リスト

• Design and Scheduling of an AI-based Queueing System [12.763457245603824]
  本稿では,ジョブのクラスを予測モデルを用いて推定する大規模キューシステムについて考察する。 交通渋滞における誤予測が混雑コストに与える影響を特徴付けることにより,予測されたクラス情報をほぼ最適に組み込んだインデックスベースのポリシーを設計する。
  論文  参考訳（メタデータ） (2024-06-11T00:01:42Z)
• Deep Neural Network Benchmarks for Selective Classification [27.098996474946446]
  複数の選択的な分類フレームワークが存在し、その多くはディープニューラルネットワークアーキテクチャに依存している。 提案手法は,選択誤差率,経験的カバレッジ,拒否されたインスタンスのクラス分布,アウト・オブ・ディストリビューション・インスタンスの性能など,いくつかの基準を用いて評価する。
  論文  参考訳（メタデータ） (2024-01-23T12:15:47Z)
• On the adaptation of in-context learners for system identification [0.0]
  In-context system identifiedは、システムのクラスを記述するメタモデルを構築することを目的としている。 メタモデル適応が3つの現実シナリオにおける予測性能をいかに向上させるかを示す。
  論文  参考訳（メタデータ） (2023-12-07T06:51:55Z)
• Optimizing accuracy and diversity: a multi-task approach to forecast combinations [0.0]
  両問題を同時に解くことに焦点を当てたマルチタスク最適化パラダイムを提案する。 標準的な機能ベースの予測アプローチに、さらなる学習と最適化のタスクが組み込まれている。 提案手法は,特徴に基づく予測において,多様性の本質的な役割を引き出すものである。
  論文  参考訳（メタデータ） (2023-10-31T15:26:33Z)
• How to Estimate Model Transferability of Pre-Trained Speech Models? [84.11085139766108]
  事前学習音声モデルの伝達可能性推定のためのスコアベースアセスメントフレームワーク ベイズ確率推定と最適輸送という2つの表現理論を利用して、PSM候補のランクスコアを生成する。 本フレームワークは,候補モデルやレイヤを実際に微調整することなく,転送可能性スコアを効率的に計算する。
  論文  参考訳（メタデータ） (2023-06-01T04:52:26Z)
• PAMI: partition input and aggregate outputs for model interpretation [69.42924964776766]
  本研究では、深層学習モデルが局所的な特徴を集約してモデル予測を行うという観察に基づいて、PAMIと呼ばれるシンプルで効果的な可視化フレームワークを提案する。 基本的な考え方は、入力の大多数を隠蔽し、元のモデル予測に対する保存された入力部の相対的な寄与として対応するモデル出力を使用することである。 複数のタスクに対する大規模な実験により,提案手法は,クラス固有の入力領域をより正確に見つけるために,既存の可視化手法よりも優れていることを確認した。
  論文  参考訳（メタデータ） (2023-02-07T08:48:34Z)
• fETSmcs: Feature-based ETS model component selection [8.99236558175168]
  シミュレーションデータに基づく分類器の訓練によるETSモデル選択の効率的な手法を提案し, 与えられた時系列に対する適切なモデル成分の予測を行う。 提案手法は,広く使用されている予測競合データセットM4に対して,点予測と予測間隔の両面から評価する。
  論文  参考訳（メタデータ） (2022-06-26T13:52:43Z)
• What do we expect from Multiple-choice QA Systems? [70.86513724662302]
  複数のMultiple Choice Question Answering(MCQA)データセット上で,トップパフォーマンスモデルを検討する。 このようなモデルから得られる可能性のある一連の期待値に対して、モデル入力のゼロ情報摂動を用いて評価する。
  論文  参考訳（メタデータ） (2020-11-20T21:27:10Z)
• Few-shot Classification via Adaptive Attention [93.06105498633492]
  ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。 実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
  論文  参考訳（メタデータ） (2020-08-06T05:52:59Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。