論文の概要: Data augmentation for dealing with low sampling rates in NILM
- arxiv url: http://arxiv.org/abs/2104.02055v1
- Date: Tue, 30 Mar 2021 22:43:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 03:12:29.647942
- Title: Data augmentation for dealing with low sampling rates in NILM
- Title(参考訳): NILMにおける低サンプリングレート対応のためのデータ拡張
- Authors: Tai Le Quy, Sergej Zerr, Eirini Ntoutsi and Wolfgang Nejdl
- Abstract要約: NILMアルゴリズムの最高の性能は、高品質な評価データによって達成される。
既存の実世界のデータセットの多くは、サンプリング品質が低く、しばしばギャップがあり、一部の記録期間のデータが不足している。
これらのエネルギー分解法の性能向上に向けた重要なステップは、データセットの品質向上である。
- 参考スコア(独自算出の注目度): 13.037647287689438
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data have an important role in evaluating the performance of NILM algorithms.
The best performance of NILM algorithms is achieved with high-quality
evaluation data. However, many existing real-world data sets come with a low
sampling quality, and often with gaps, lacking data for some recording periods.
As a result, in such data, NILM algorithms can hardly recognize devices and
estimate their power consumption properly. An important step towards improving
the performance of these energy disaggregation methods is to improve the
quality of the data sets. In this paper, we carry out experiments using several
methods to increase the sampling rate of low sampling rate data. Our results
show that augmentation of low-frequency data can support the considered NILM
algorithms in estimating appliances' consumption with a higher F-score
measurement.
- Abstract(参考訳): データはNILMアルゴリズムの性能を評価する上で重要な役割を果たしている。
NILMアルゴリズムの最高の性能は、高品質な評価データによって達成される。
しかし、既存の現実世界のデータセットの多くは、サンプリング品質が低く、しばしばギャップがあり、記録期間のデータが不足している。
その結果、NILMアルゴリズムはデバイスをほとんど認識できず、消費電力を適切に見積もることができる。
これらのエネルギー分解法の性能向上に向けた重要なステップは、データセットの品質向上である。
本稿では, 低サンプリング率データのサンプリング率を向上させるために, いくつかの手法を用いて実験を行った。
その結果,低周波データの増大は,高Fスコア測定により家電の消費を推定するNILMアルゴリズムを支持できることがわかった。
関連論文リスト
- Segmented Harmonic Loss: Handling Class-Imbalanced Multi-Label Clinical
Data for Medical Coding with Large Language Models [1.5913129437464046]
実生活雑音データに対するLLM(Large Language Models)の効果を評価する。
マルチラベルシナリオにおいて,ほとんどの医療データにおいて,過度なクラス不均衡に対処する新たな損失関数であるSegmented Harmonic Lossを開発した。
実験の結果,提案した損失をトレーニングすると,LLMはノイズの多い長期データセットにおいても大きな性能向上を達成できることがわかった。
論文 参考訳(メタデータ) (2023-10-06T21:20:28Z) - Towards Sustainable Deep Learning for Multi-Label Classification on NILM [0.5809784853115825]
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、提案モデルではカーボンフットプリントを23%以上削減し、平均8ポイントの性能向上を実現している。
論文 参考訳(メタデータ) (2023-07-18T13:23:23Z) - Experimenting with an Evaluation Framework for Imbalanced Data Learning
(EFIDL) [9.010643838773477]
データ不均衡は,ラベルの少ないビッグデータ分析において重要な問題のひとつだ。
機械学習アルゴリズムの性能を改善するために、多くのデータバランス法が導入された。
我々は不均衡なデータ学習のための新しい評価フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-26T01:16:02Z) - 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) - Doing Great at Estimating CATE? On the Neglected Assumptions in
Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。
異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。
ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
論文 参考訳(メタデータ) (2021-07-28T13:21:27Z) - An Empirical Survey of Data Augmentation for Limited Data Learning in
NLP [88.65488361532158]
豊富なデータへの依存は、低リソース設定や新しいタスクにNLPモデルを適用するのを防ぐ。
NLPにおけるデータ効率を改善する手段として,データ拡張手法が検討されている。
限定ラベル付きデータ設定におけるNLPのデータ拡張に関する最近の進展を実証的に調査する。
論文 参考訳(メタデータ) (2021-06-14T15:27:22Z) - DAGA: Data Augmentation with a Generation Approach for Low-resource
Tagging Tasks [88.62288327934499]
線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。
本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
論文 参考訳(メタデータ) (2020-11-03T07:49:15Z) - A Self-Refinement Strategy for Noise Reduction in Grammatical Error
Correction [54.569707226277735]
既存の文法的誤り訂正(GEC)のアプローチは、手動で作成したGECデータセットによる教師あり学習に依存している。
誤りが不適切に編集されたり、修正されなかったりする「ノイズ」は無視できないほどある。
本稿では,既存のモデルの予測整合性を利用して,これらのデータセットをデノマイズする自己補充手法を提案する。
論文 参考訳(メタデータ) (2020-10-07T04:45:09Z) - Towards Comparability in Non-Intrusive Load Monitoring: On Data and
Performance Evaluation [1.0312968200748116]
非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、家庭や工業施設のエネルギー消費に関する洞察を提供する一連の技術である。
分解技術に関する進歩にもかかわらず、性能評価とコンパラビリティはオープンな研究課題である。
NILM関連研究において, プリプロセスやデータクリーニング方法, 統一性能報告の重要性, 負荷分散における複雑性対策の必要性について, 詳細な情報が必要であることが確認された。
論文 参考訳(メタデータ) (2020-01-20T10:13:51Z) - Improving a State-of-the-Art Heuristic for the Minimum Latency Problem
with Data Mining [69.00394670035747]
ハイブリッドメタヒューリスティックスは、オペレーション研究のトレンドとなっている。
成功例は、Greedy Randomized Adaptive Search Procedures (GRASP)とデータマイニング技術を組み合わせたものだ。
論文 参考訳(メタデータ) (2019-08-28T13:12:30Z)
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。