論文の概要: Estimating the electrical power output of industrial devices with
end-to-end time-series classification in the presence of label noise
- arxiv url: http://arxiv.org/abs/2105.00349v1
- Date: Sat, 1 May 2021 21:45:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 05:33:30.919309
- Title: Estimating the electrical power output of industrial devices with
end-to-end time-series classification in the presence of label noise
- Title（参考訳）: ラベルノイズを考慮したエンド・ツー・エンドの時系列分類による産業機器の電力出力推定
- Authors: Andrea Castellani, Sebastian Schmitt, and Barbara Hammer
- Abstract要約: 本研究では,中規模企業施設のコンバインドヒート・アンド・パワー・マシンの発電量の推定に焦点をあてる。
施設が完全に測定され,CHPからのセンサ測定が可能となると,トレーニングラベルを自動生成する。
本稿では,共有組込み表現を用いた分類器とオートエンコーダを共同で学習する,新しいマルチタスクディープラーニング手法を提案する。
- 参考スコア（独自算出の注目度）: 6.857190736208506
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In complex industrial settings, it is common practice to monitor the
operation of machines in order to detect undesired states, adjust maintenance
schedules, optimize system performance or collect usage statistics of
individual machines. In this work, we focus on estimating the power output of a
Combined Heat and Power (CHP) machine of a medium-sized company facility by
analyzing the total facility power consumption. We formulate the problem as a
time-series classification problem where the class label represents the CHP
power output. As the facility is fully instrumented and sensor measurements
from the CHP are available, we generate the training labels in an automated
fashion from the CHP sensor readings. However, sensor failures result in
mislabeled training data samples which are hard to detect and remove from the
dataset. Therefore, we propose a novel multi-task deep learning approach that
jointly trains a classifier and an autoencoder with a shared embedding
representation. The proposed approach targets to gradually correct the
mislabelled data samples during training in a self-supervised fashion, without
any prior assumption on the amount of label noise. We benchmark our approach on
several time-series classification datasets and find it to be comparable and
sometimes better than state-of-the-art methods. On the real-world use-case of
predicting the CHP power output, we thoroughly evaluate the architectural
design choices and show that the final architecture considerably increases the
robustness of the learning process and consistently beats other recent
state-of-the-art algorithms in the presence of unstructured as well as
structured label noise.
- Abstract（参考訳）: 複雑な産業環境では、望ましくない状態を検出し、メンテナンススケジュールを調整し、システム性能を最適化したり、個々のマシンの使用統計を収集するために、マシンの動作を監視することが一般的である。
本研究では,中規模企業施設の蓄熱機(chp)の発電出力を,施設全体の電力消費量を解析して推定することに焦点を当てる。
クラスラベルがCHP出力を表す時系列分類問題としてこの問題を定式化する。
施設が完全に測定され,CHPからのセンサ測定が可能となると,CHPセンサの読み取りからトレーニングラベルを自動生成する。
しかし、センサーの故障により、データセットの検出と削除が難しいトレーニングデータサンプルのラベルのずれが発生します。
そこで本研究では,共有組込み表現を用いた分類器とオートエンコーダを共同で学習する,新しいマルチタスクディープラーニング手法を提案する。
提案手法は,ラベルノイズの量を事前に仮定することなく,自己教師方式でトレーニング中の誤ラベルデータサンプルを徐々に修正することを目的としている。
我々は、いくつかの時系列分類データセットにアプローチをベンチマークし、最先端の手法に匹敵する、時には優れた方法を見出した。
実世界のCHP出力予測のユースケースとして,アーキテクチャ設計の選択を徹底的に評価し,最終アーキテクチャが学習プロセスの堅牢性を大幅に向上させ,非構造化および構造化されたラベルノイズの存在下で,最新の最先端アルゴリズムを一貫して上回っていることを示す。
関連論文リスト
- Improving a Named Entity Recognizer Trained on Noisy Data with a Few
Clean Instances [55.37242480995541]
クリーンなインスタンスの小さなセットから,ノイズの多いNERデータを誘導することで,ノイズを発生させる手法を提案する。
メインのNERモデルとともに、判別器モデルをトレーニングし、その出力を使用してサンプルの重み付けを校正します。
クラウドソーシングと遠隔監視データセットの結果から,提案手法は少ないガイダンスセットで継続的に性能を向上させることができることが示された。
論文 参考訳（メタデータ） (2023-10-25T17:23:37Z) - Predictive Maintenance Model Based on Anomaly Detection in Induction
Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。
我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
論文 参考訳（メタデータ） (2023-10-15T18:43:45Z) - Unsupervised clustering of disturbances in power systems via deep
convolutional autoencoders [2.0736732081151366]
電力グリッド上の異常事象を検出すると、電力品質(PQ)イベントはPQメーターによって記録される。
電力系統の障害時に捉えた波形の多くは、教師あり学習のためにラベル付けされる必要がある。
本稿では、PQイベントのクラスタリングに使用できる自動エンコーダとK平均クラスタリングに基づく教師なし手法を提案する。
論文 参考訳（メタデータ） (2023-06-08T04:41:34Z) - Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。
本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
論文 参考訳（メタデータ） (2022-11-02T16:35:14Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。
提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。
提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文 参考訳（メタデータ） (2021-11-22T15:49:20Z) - Deep Recurrent Semi-Supervised EEG Representation Learning for Emotion
Recognition [14.67085109524245]
脳波に基づく感情認識は、効果的な計算モデルを構築するのに十分なラベル付きトレーニングサンプルを必要とすることが多い。
ラベル付きデータとラベル付きデータの両方を併用して脳波表現を学習するための半教師付きパイプラインを提案する。
大規模SEED EEGデータセット上でフレームワークをテストし、その結果を他の人気のある半教師付き手法と比較する。
論文 参考訳（メタデータ） (2021-07-28T17:21:30Z) - Automated Label Generation for Time Series Classification with
Representation Learning: Reduction of Label Cost for Training [16.287885535569067]
本稿では,ラベルの自動生成手法を提案する。
提案手法は,Auto Encoded Compact Sequence を用いた表現学習に基づいている。
潜伏構造を学習し、また、代表的時系列を合成的に増強することで、反復的に自己ラベル化を行う。
論文 参考訳（メタデータ） (2021-07-12T14:28:40Z) - Autoencoder-based Representation Learning from Heterogeneous
Multivariate Time Series Data of Mechatronic Systems [0.0]
本稿では,データベースの異質性に着目したオートエンコーダネットワークを用いた教師なし特徴抽出手法を提案する。
異なるアプリケーションドメインからのメカトロニクスシステムの3つの公開データセットを使用して結果を検証する。
論文 参考訳（メタデータ） (2021-04-06T21:04:27Z) - Unsupervised Domain Adaptation for Acoustic Scene Classification Using
Band-Wise Statistics Matching [69.24460241328521]
機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。
本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。
提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
論文 参考訳（メタデータ） (2020-04-30T23:56:05Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z)
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。