論文の概要: Prior Flow Variational Autoencoder: A density estimation model for Non-Intrusive Load Monitoring

• arxiv url: http://arxiv.org/abs/2011.14870v1
• Date: Mon, 30 Nov 2020 15:05:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 15:03:12.130414
• Title: Prior Flow Variational Autoencoder: A density estimation model for Non-Intrusive Load Monitoring
• Title（参考訳）: 事前流れ変動オートエンコーダ:非侵入負荷モニタリングのための密度推定モデル
• Authors: Luis Felipe M.O. Henriques, Eduardo Morgan, Sergio Colcher, Ruy Luiz Milidi\'u
• Abstract要約: 非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、電力負荷のアプライアンスを1メートル単位で測定した全消費から推定する手法である。 本研究では,各機器の電力需要を推定するために,条件付き変分正規化フローモデルと条件付き変分オートエンコーダを結合する,ディープニューラルネットワークに基づく条件付き密度推定モデルを提案する。
• 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: Non-Intrusive Load Monitoring (NILM) is a computational technique to estimate the power loads' appliance-by-appliance from the whole consumption measured by a single meter. In this paper, we propose a conditional density estimation model, based on deep neural networks, that joins a Conditional Variational Autoencoder with a Conditional Invertible Normalizing Flow model to estimate the individual appliance's power demand. The resulting model is called Prior Flow Variational Autoencoder or, for simplicity PFVAE. Thus, instead of having one model per appliance, the resulting model is responsible for estimating the power demand, appliance-by-appliance, at once. We train and evaluate our proposed model in a publicly available dataset composed of power demand measures from a poultry feed factory located in Brazil. The proposed model's quality is evaluated by comparing the obtained normalized disaggregation error (NDE) and signal aggregated error (SAE) with the previous work values on the same dataset. Our proposal achieves highly competitive results, and for six of the eight machines belonging to the dataset, we observe consistent improvements that go from 28% up to 81% in NDE and from 27% up to 86% in SAE.
• Abstract（参考訳）: 非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、電力負荷のアプライアンスを1メートル単位で測定した全消費から推定する計算手法である。 本稿では,各機器の電力需要を推定するために,条件付き変分正規化フローモデルと条件付き変分オートエンコーダを結合する,ディープニューラルネットワークに基づく条件付き密度推定モデルを提案する。 結果として得られるモデルは、Presideed Flow Variational Autoencoderまたは単純PFVAEと呼ばれる。 したがって、アプライアンスごとに1つのモデルを持つ代わりに、結果のモデルは、アプライアンス毎の電力需要を一度に見積もる責任を負う。 我々は,ブラジルの養鶏施設から供給される電力需要対策からなる公開データセットで,提案モデルを訓練し,評価する。 得られた正規化分解誤差(NDE)と信号集約誤差(SAE)を同一データセット上の前の作業値と比較することにより,提案モデルの品質を評価する。 提案手法は高い競合性を実現し,データセットに属する8台のマシンのうち6台では,ndeでは28%から81%,saeでは27%から86%という一貫した改善が観察されている。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• M-DEW: Extending Dynamic Ensemble Weighting to Handle Missing Values [2.8861431208787525]
  我々は、不足データを用いて下流予測を行うための新しいAutoML技術を開発した。 M-DEWは18実験中17実験において、モデルパープレキシティの統計的に有意な減少を生じるという、最先端技術よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2024-04-30T20:13:18Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• Compound Density Networks for Risk Prediction using Electronic Health Records [1.1786249372283562]
  複合密度ネットワーク(CDNet)を用いたエンドツーエンド統合手法を提案する。 CDNetは、単一のフレームワーク内で計算方法と予測モデルを調整できるようにする。 我々は,MIMIC-IIIデータセット上での死亡予測タスクにおいてCDNetを検証した。
  論文  参考訳（メタデータ） (2022-08-02T09:04:20Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• Variational Inference with NoFAS: Normalizing Flow with Adaptive Surrogate for Computationally Expensive Models [7.217783736464403]
  マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。 変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。 本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
  論文  参考訳（メタデータ） (2021-08-28T14:31:45Z)
• Energy Disaggregation using Variational Autoencoders [11.940343835617046]
  非侵入負荷モニタリング(NILM)は、単一のセンサーを使用して建物の総電力消費量を測定する技術です。 最近の分散アルゴリズムは、NILMシステムの性能を大幅に改善した。 本稿では,変分オートエンコーダ(VAE)フレームワークに基づくエネルギー分散手法を提案する。
  論文  参考訳（メタデータ） (2021-03-22T20:53:36Z)
• A Data-Driven Machine Learning Approach for Consumer Modeling with Load Disaggregation [1.6058099298620423]
  本稿では,住宅利用者の消費データから導出したデータ駆動セミパラメトリックモデルの汎用クラスを提案する。 第1段階では、固定およびシフト可能なコンポーネントへの負荷の分散をハイブリッドアルゴリズムを用いて達成する。 第2段階では、モデルパラメータはL2ノルム、エプシロン非感受性回帰法を用いて推定される。
  論文  参考訳（メタデータ） (2020-11-04T13:36:11Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)
• On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
  log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。 異なる家族間でのモデルランキングの相関はみられない。
  論文  参考訳（メタデータ） (2020-02-17T20:13:35Z)

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。