論文の概要: A Novel Semi-Supervised Data-Driven Method for Chiller Fault Diagnosis
with Unlabeled Data
- arxiv url: http://arxiv.org/abs/2011.00187v1
- Date: Sat, 31 Oct 2020 04:57:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 05:21:07.383485
- Title: A Novel Semi-Supervised Data-Driven Method for Chiller Fault Diagnosis
with Unlabeled Data
- Title（参考訳）: ラベルなしデータを用いた低温故障診断のための半教師付きデータ駆動法
- Authors: Bingxu Li, Fanyong Cheng, Xin Zhang, Can Cui, Wenjian Cai
- Abstract要約: そこで本研究では, 半世代対向ネットワークに基づくシラーシステムのための, 半教師付きデータ駆動型故障診断手法を提案する。
提案手法は診断精度を84%に向上させることができるが,教師付きベースライン法は最大で65%の精度にしか達しない。
- 参考スコア（独自算出の注目度）: 9.357969752339727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In practical chiller systems, applying efficient fault diagnosis techniques
can significantly reduce energy consumption and improve energy efficiency of
buildings. The success of the existing methods for fault diagnosis of chillers
relies on the condition that sufficient labeled data are available for
training. However, label acquisition is laborious and costly in practice.
Usually, the number of labeled data is limited and most data available are
unlabeled. The existing methods cannot exploit the information contained in
unlabeled data, which significantly limits the improvement of fault diagnosis
performance in chiller systems. To make effective use of unlabeled data to
further improve fault diagnosis performance and reduce the dependency on
labeled data, we proposed a novel semi-supervised data-driven fault diagnosis
method for chiller systems based on the semi-generative adversarial network,
which incorporates both unlabeled and labeled data into learning process. The
semi-generative adversarial network can learn the information of data
distribution from unlabeled data and this information can help to significantly
improve the diagnostic performance. Experimental results demonstrate the
effectiveness of the proposed method. Under the scenario that there are only 80
labeled samples and 16000 unlabeled samples, the proposed method can improve
the diagnostic accuracy to 84%, while the supervised baseline methods only
reach the accuracy of 65% at most. Besides, the minimal required number of
labeled samples can be reduced by about 60% with the proposed method when there
are enough unlabeled samples.
- Abstract（参考訳）: 実用的な冷媒システムでは、効率的な故障診断技術を適用することで、エネルギー消費を大幅に削減し、建物のエネルギー効率を向上させることができる。
既存のチラーの故障診断手法の成功は、十分なラベル付きデータがトレーニングに利用できるという条件に依存している。
しかし、ラベルの取得は手間がかかり、コストがかかる。
通常、ラベル付きデータの数は限られており、利用可能なデータのほとんどはラベル付きである。
既存の手法ではラベルなしデータに含まれる情報を活用できないため,チラーシステムにおける故障診断性能の向上が著しく制限されている。
本研究では,ラベル付きデータとラベル付きデータの両方を学習プロセスに組み込んだ半世代対向ネットワークをベースとした,ラベル付きデータを用いた半教師付きデータ駆動型故障診断手法を提案する。
半生成型adversarial networkはラベルなしのデータからデータ分布に関する情報を学習することができ、この情報は診断性能を著しく改善するのに役立つ。
実験の結果,提案手法の有効性が示された。
80個のラベル付きサンプルと16000個のラベル付きサンプルしか存在しないというシナリオでは,提案手法は診断精度を84%向上させるが,教師付きベースライン法は最大で65%の精度にしか達しない。
また,ラベルなしサンプルが十分に存在する場合には,提案手法により,必要最小限のラベル付きサンプル数を約60%削減できる。
関連論文リスト
- Efficient Data-Sketches and Fine-Tuning for Early Detection of Distributional Drift in Medical Imaging [5.1358645354733765]
本稿では,CT-Scan医療画像における分布のドリフトを検出するための,高精度かつ高感度なアプローチを提案する。
我々は,リアルタイムな異常検出のための頑健なライブラリモデルを開発し,画像の効率的な比較を可能にした。
乳がん画像から関連する特徴を抽出するために,視力変換器の事前訓練モデルを微調整した。
論文 参考訳（メタデータ） (2024-08-15T23:46:37Z) - Conditional Semi-Supervised Data Augmentation for Spam Message Detection with Low Resource Data [0.0]
本研究では,データの可用性に欠けるスパム検出モデルに対して,条件付き半教師付きデータ拡張を提案する。
トレーニングデータを拡張するために、ラベルのないデータをデータ拡張に活用する。
潜在変数は、最終分類器の入力としてラベル付きおよびラベルなしのデータから得ることができる。
論文 参考訳（メタデータ） (2024-07-06T07:51:24Z) - Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。
マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。
ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-27T03:25:12Z) - FlatMatch: Bridging Labeled Data and Unlabeled Data with Cross-Sharpness
for Semi-Supervised Learning [73.13448439554497]
Semi-Supervised Learning (SSL) は、ラベル付きデータが極めて少ない豊富なラベル付きデータを活用する効果的な方法である。
ほとんどのSSLメソッドは、通常、異なるデータ変換間のインスタンス単位の一貫性に基づいている。
本研究では,2つのデータセット間の一貫した学習性能を確保するために,クロスシャープネス尺度を最小化するFlatMatchを提案する。
論文 参考訳（メタデータ） (2023-10-25T06:57:59Z) - Exploiting Mixed Unlabeled Data for Detecting Samples of Seen and Unseen
Out-of-Distribution Classes [5.623232537411766]
現実世界のアプリケーションでは、アウト・オブ・ディストリビューション(OOD)検出が不可欠であり、近年注目を集めている。
既存のOOD検出方法は、多くのラベル付きIn-Distribution(ID)データを必要とするため、大量のラベル付けコストが発生する。
本稿では,限られたラベル付きデータと豊富なラベル付きデータが利用可能な,より現実的なシナリオに焦点を当てる。
混合ラベル付きデータから潜在的なIDとOODサンプルを適応的に選択する適応型In-Out-Aware Learning(AIOL)法を提案する。
論文 参考訳（メタデータ） (2022-10-13T08:34:25Z) - Boosting Facial Expression Recognition by A Semi-Supervised Progressive
Teacher [54.50747989860957]
本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。
RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
論文 参考訳（メタデータ） (2022-05-28T07:47:53Z) - Label-Assemble: Leveraging Multiple Datasets with Partial Labels [68.46767639240564]
Label-Assemble”は、公開データセットのアセンブリから部分的なラベルの可能性を最大限に活用することを目的としている。
陰例からの学習は,コンピュータ支援型疾患の診断と検出の双方を促進することが判明した。
論文 参考訳（メタデータ） (2021-09-25T02:48:17Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z) - Boosting Semi-Supervised Face Recognition with Noise Robustness [54.342992887966616]
本稿では,自動ラベルによるラベル雑音に対して頑健な半教師付き顔認識に対する効果的な解法を提案する。
そこで我々は,gnが強化するロバストな学習能力に基づく,ノイズロバスト学習ラベリング(nroll)という,半教師付き顔認識ソリューションを開発した。
論文 参考訳（メタデータ） (2021-05-10T14:43:11Z) - A Novel Perspective for Positive-Unlabeled Learning via Noisy Labels [49.990938653249415]
本研究では,初期疑似ラベルを雑音ラベルデータとして用いる非ラベルデータに割り当て,雑音ラベルデータを用いて深層ニューラルネットワークを訓練する手法を提案する。
実験の結果,提案手法は,いくつかのベンチマークデータセットにおいて,最先端の手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2021-03-08T11:46:02Z) - Granular conditional entropy-based attribute reduction for partially
labeled data with proxy labels [12.755874217721054]
部分ラベル付きデータに対する粗い集合に基づく半教師付き属性削減法を提案する。
新たな条件エントロピー測度が提案され、理論上はその単調性が証明される。
UCIデータセットを用いた実験により,提案手法が有望であることを示す。
論文 参考訳（メタデータ） (2021-01-23T12:50:09Z)
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。