論文の概要: Energy Disaggregation using Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2103.12177v1
• Date: Mon, 22 Mar 2021 20:53:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 13:48:48.256582
• Title: Energy Disaggregation using Variational Autoencoders
• Title（参考訳）: 変分オートエンコーダを用いたエネルギー分散
• Authors: Antoine Langevin, Marc-Andr\'e Carbonneau, Mohamed Cheriet, Ghyslain Gagnon
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.940343835617046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-intrusive load monitoring (NILM) is a technique that uses a single sensor to measure the total power consumption of a building. Using an energy disaggregation method, the consumption of individual appliances can be estimated from the aggregate measurement. Recent disaggregation algorithms have significantly improved the performance of NILM systems. However, the generalization capability of these methods to different houses as well as the disaggregation of multi-state appliances are still major challenges. In this paper we address these issues and propose an energy disaggregation approach based on the variational autoencoders (VAE) framework. The probabilistic encoder makes this approach an efficient model for encoding information relevant to the reconstruction of the target appliance consumption. In particular, the proposed model accurately generates more complex load profiles, thus improving the power signal reconstruction of multi-state appliances. Moreover, its regularized latent space improves the generalization capabilities of the model across different houses. The proposed model is compared to state-of-the-art NILM approaches on the UK-DALE dataset, and yields competitive results. The mean absolute error reduces by 18% on average across all appliances compared to the state-of-the-art. The F1-Score increases by more than 11%, showing improvements for the detection of the target appliance in the aggregate measurement.
• Abstract（参考訳）: 非侵入負荷モニタリング(non-intrusive load monitoring, nilm)は、単一のセンサを使用して建物の総消費電力を測定する技術である。 エネルギーデアグリゲーション法を用いて, 集合測定値から個々の家電の消費を推定できる。 近年, NILMシステムの性能は大幅に向上した。 しかし、これらの手法の様々な住宅への一般化能力と多状態家電の解体は依然として大きな課題である。 本稿では,これらの問題に対処し,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。 確率エンコーダは、対象の家電消費の再構成に関連する情報を符号化する効率的なモデルである。 特に,提案モデルはより複雑な負荷プロファイルを正確に生成し,マルチステートアプライアンスの電力信号再構成を改善する。 さらに、規則化された潜在空間は、異なる住宅をまたいだモデルの一般化能力を向上する。 提案モデルは、UK-DALEデータセット上の最先端のNILMアプローチと比較され、競合する結果が得られる。 絶対誤差の平均は、最先端と比較して、すべての家電で平均18%減少する。 F1スコアは11%以上増加し, 集合測定における目標機器の検出精度が向上した。

関連論文リスト

• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• MATNilm: Multi-appliance-task Non-intrusive Load Monitoring with Limited Labeled Data [4.460954839118025]
  既存のアプローチは主に、各アプライアンス用の個別モデルの開発に重点を置いている。 本稿では,トレーニング効率のよいサンプル拡張方式を用いたマルチアプライアンス・タスク・フレームワークを提案する。 相対誤差は平均で50%以上削減できる。
  論文  参考訳（メタデータ） (2023-07-27T11:14:11Z)
• Energy Efficient Deep Multi-Label ON/OFF Classification of Low Frequency Metered Home Appliances [0.16777183511743468]
  非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、単一計測点からアプライアンスレベルのデータを取得するプロセスである。 本稿では,NILMのマルチラベル分類を改良した新しいDLモデルを提案する。 最先端モデルと比較して、提案モデルではエネルギー消費を23%以上削減している。
  論文  参考訳（メタデータ） (2023-07-18T13:23:23Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Cheaply Evaluating Inference Efficiency Metrics for Autoregressive Transformer APIs [66.30706841821123]
  大規模言語モデル(LLM)は、自然言語処理において多くの最先端システムに電力を供給する。 LLMは、推論時でさえ非常に計算コストが高い。 モデル間での推論効率を比較するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-05-03T21:51:42Z)
• Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
  非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。 近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。 我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
  論文  参考訳（メタデータ） (2021-08-02T03:56:35Z)
• A Comprehensive Review on the NILM Algorithms for Energy Disaggregation [0.0]
  非侵入負荷モニタリング(NILM)またはエネルギー分散は、集合レベルで測定された家庭用エネルギーを構成機器に分離することを目的としている。 本稿では、効果的なNILMシステムフレームワークの調査を行い、ベンチマークアルゴリズムのパフォーマンスをレビューする。
  論文  参考訳（メタデータ） (2021-02-20T23:53:57Z)
• Smart non-intrusive appliance identification using a novel local power histogramming descriptor with an improved k-nearest neighbors classifier [2.389598109913753]
  本稿では,新しいローカルパワーヒストグラム(LPH)記述子に基づく,スマートNILMシステムを提案する。 具体的には、個々の家電消費シグネチャを表すために、局所的に短いヒストグラムを描画する。 学習時間を短縮し,分類性能を向上させるため,改良k-nearest neighbors (IKNN)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-09T13:12:20Z)
• Quantification of Disaggregation Difficulty with Respect to the Number of Meters [0.0]
  non-intrusive load monitoring (nilm) は効率的なエネルギー管理への有望なアプローチである。 イベントベースのNILMメソッドは、イベントベースのNILMメソッドのパフォーマンスを制限することが知られている。 近い消費値を持つアプライアンスの存在は、イベントベースのNILMメソッドのパフォーマンスを制限することが知られている。
  論文  参考訳（メタデータ） (2021-01-18T17:50:48Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)

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。