論文の概要: Online learning of windmill time series using Long Short-term Cognitive Networks

• arxiv url: http://arxiv.org/abs/2107.00425v1
• Date: Thu, 1 Jul 2021 13:13:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-02 13:58:57.375900
• Title: Online learning of windmill time series using Long Short-term Cognitive Networks
• Title（参考訳）: 長期短期認知ネットワークを用いた風車時系列のオンライン学習
• Authors: Alejandro Morales-Hern\'andez, Gonzalo N\'apoles, Agnieszka Jastrzebska, Yamisleydi Salgueiro, Koen Vanhoof
• Abstract要約: 風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。 我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。 提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
• 参考スコア（独自算出の注目度）: 58.675240242609064
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Forecasting windmill time series is often the basis of other processes such as anomaly detection, health monitoring, or maintenance scheduling. The amount of data generated on windmill farms makes online learning the most viable strategy to follow. Such settings require retraining the model each time a new batch of data is available. However, update the model with the new information is often very expensive to perform using traditional Recurrent Neural Networks (RNNs). In this paper, we use Long Short-term Cognitive Networks (LSTCNs) to forecast windmill time series in online settings. These recently introduced neural systems consist of chained Short-term Cognitive Network blocks, each processing a temporal data chunk. The learning algorithm of these blocks is based on a very fast, deterministic learning rule that makes LSTCNs suitable for online learning tasks. The numerical simulations using a case study with four windmills showed that our approach reported the lowest forecasting errors with respect to a simple RNN, a Long Short-term Memory, a Gated Recurrent Unit, and a Hidden Markov Model. What is perhaps more important is that the LSTCN approach is significantly faster than these state-of-the-art models.
• Abstract（参考訳）: 風車時系列の予測は、しばしば異常検出、健康モニタリング、メンテナンススケジュールなどの他のプロセスの基礎となる。 風車農場で生成されたデータ量によって、オンライン学習は最も有効な戦略となる。 このような設定では、新しいデータのバッチが利用できる度にモデルを再トレーニングする必要がある。 しかし、新しい情報でモデルを更新することは、従来のリカレントニューラルネットワーク(rnn)を使うのに非常に高価である。 本稿では,Long Short-term Cognitive Networks (LSTCN) を用いて,オンライン環境における風車時系列の予測を行う。 これらの最近導入されたニューラルネットワークは、チェーンされた短期認知ネットワークブロックで構成され、それぞれが時間データチャンクを処理する。 これらのブロックの学習アルゴリズムは、lstcnsをオンライン学習タスクに適した非常に高速で決定論的な学習ルールに基づいている。 4つの風車を用いたケーススタディを用いた数値シミュレーションにより,単純なrnn,長期記憶,ゲートリカレントユニット,隠れマルコフモデルにおいて,予測誤差が最も低いことを報告した。 おそらくもっと重要なのは、LSTCNアプローチがこれらの最先端モデルよりもはるかに高速であることだ。

関連論文リスト

• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Properties and Potential Applications of Random Functional-Linked Types of Neural Networks [81.56822938033119]
  ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。 本稿では周波数領域の観点からRFLNNの特性について考察する。 本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-04-03T13:25:22Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)
• A Comparative Study of Detecting Anomalies in Time Series Data Using LSTM and TCN Models [2.007262412327553]
  本稿では,2つの著名なディープラーニングモデリング手法を比較した。 Recurrent Neural Network (RNN)-based Long Short-Term Memory (LSTM) と Convolutional Neural Network (CNN)-based Temporal Convolutional Networks (TCN) を比較した。
  論文  参考訳（メタデータ） (2021-12-17T02:46:55Z)
• Multimodal Meta-Learning for Time Series Regression [3.135152720206844]
  メタラーニングを用いてモデルパラメータを新しい短史時系列に迅速に適応させるアイデアについて検討する。 提案手法は,12実験中9実験において,少ないデータでTSRを学習し,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-05T20:50:18Z)
• Long Short-term Cognitive Networks [2.2748974006378933]
  本稿では,短期認知ネットワーク(STCN)モデルの一般化として,Long Short-term Cognitive Networks (LSTCNs) と名づけられたリカレントニューラルネットワークを提案する。 我々のニューラルネットワークは、最先端のリカレントモデルよりも数千倍高速であるながら、小さな予測エラーを報告します。
  論文  参考訳（メタデータ） (2021-06-30T17:42:09Z)
• On the Evaluation of Sequential Machine Learning for Network Intrusion Detection [3.093890460224435]
  本稿では,悪質な活動パターンを示すNetFlowの時間的シーケンスを抽出するための詳細な手法を提案する。 次に,この手法を適用し,従来の静的学習モデルと逐次学習モデルの有効性を比較した。
  論文  参考訳（メタデータ） (2021-06-15T08:29:28Z)

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。