論文の概要: Self-learning sparse PCA for multimode process monitoring

• arxiv url: http://arxiv.org/abs/2108.03449v1
• Date: Sat, 7 Aug 2021 13:50:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 12:30:36.151689
• Title: Self-learning sparse PCA for multimode process monitoring
• Title（参考訳）: マルチモードプロセス監視のための自己学習スパースPCA
• Authors: Jingxin Zhang, Donghua Zhou, Maoyin Chen
• Abstract要約: 本稿では,逐次モードの自己学習能力を有するスパース主成分分析アルゴリズムを提案する。 従来のマルチモードモニタリング方法とは異なり、モニタリングモデルは現在のモデルと新しいモードが到着したときに新しいデータに基づいて更新される。
• 参考スコア（独自算出の注目度）: 2.8102838347038617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a novel sparse principal component analysis algorithm with self-learning ability for successive modes, where synaptic intelligence is employed to measure the importance of variables and a regularization term is added to preserve the learned knowledge of previous modes. Different from traditional multimode monitoring methods, the monitoring model is updated based on the current model and new data when a new mode arrives, thus delivering prominent performance for sequential modes. Besides, the computation and storage resources are saved in the long run, because it is not necessary to retrain the model from scratch frequently and store data from previous modes. More importantly, the model furnishes excellent interpretability owing to the sparsity of parameters. Finally, a numerical case and a practical pulverizing system are adopted to illustrate the effectiveness of the proposed algorithm.
• Abstract（参考訳）: 本稿では,連続モードに対する自己学習能力を有する,新しいスパース主成分分析アルゴリズムを提案する。そこでは,変数の重要度を測定するためにシナプス知能が用いられ,先行モードの学習知識を保存するために正規化項が加えられる。 従来のマルチモードモニタリング方法とは異なり、モニタリングモデルは現在のモデルと新しいモードが到着した時に新しいデータに基づいて更新され、シーケンシャルモードの顕著なパフォーマンスを提供する。 さらに、スクラッチから頻繁にモデルを再トレーニングし、以前のモードからデータを格納する必要がないため、計算とストレージリソースは長期的に保存される。 さらに重要なことに、モデルはパラメータの空間性のために優れた解釈可能性を持つ。 最後に,提案アルゴリズムの有効性を示すために,数値ケースと実用的な粉砕システムを採用した。

関連論文リスト

• Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
  一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。 オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。 このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
  論文  参考訳（メタデータ） (2024-11-04T16:12:37Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Optimization of geological carbon storage operations with multimodal latent dynamic model and deep reinforcement learning [1.8549313085249324]
  本稿では,高速フロー予測とGCSの制御最適化のためのディープラーニングフレームワークであるMLDモデルを紹介する。 既存のモデルとは異なり、MDDは多様な入力モダリティをサポートし、包括的なデータインタラクションを可能にする。 この手法は従来の手法よりも優れており、計算資源を60%以上削減し、最も高いNPVを達成する。
  論文  参考訳（メタデータ） (2024-06-07T01:30:21Z)
• Towards Stable Machine Learning Model Retraining via Slowly Varying Sequences [6.067007470552307]
  そこで本研究では,繰り返しのトレーニングにおいて安定な機械学習モデルのシーケンスを見つける手法を提案する。 最適モデルの復元が保証される混合整数最適化の定式化を開発する。 本手法は, 予測力の小さい, 制御可能な犠牲を伴い, 厳密に訓練されたモデルよりも強い安定性を示す。
  論文  参考訳（メタデータ） (2024-03-28T22:45:38Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Continual learning-based probabilistic slow feature analysis for multimode dynamic process monitoring [2.9631016562930546]
  弾性重み付け(EWC)を確率的スロー特徴解析(PSFA)に拡張した新しいマルチモード動的プロセス監視手法を提案する。 EWCはもともと、破滅的な忘れの問題を避けるために、シーケンシャルなマルチタスクの機械学習設定で導入された。 提案手法の有効性を, 連続加熱式タンクヒータと実用的石炭微粉化システムを用いて実証した。
  論文  参考訳（メタデータ） (2022-02-23T03:57:59Z)
• Blockwise Sequential Model Learning for Partially Observable Reinforcement Learning [14.642266310020505]
  本稿では、部分的に観測可能なマルコフ決定問題を解くために、新しい逐次モデル学習アーキテクチャを提案する。 提案アーキテクチャは,各データブロックに複数のタイムステップを持つ潜時変数を生成し,最も関連性の高い情報を次のブロックに渡してポリシー最適化を行う。 数値計算の結果,提案手法は様々な部分観測可能な環境において,従来の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-12-10T05:38:24Z)
• Monitoring multimode processes: a modified PCA algorithm with continual learning ability [2.5004754622137515]
  ローカル監視モデルを以前のモードの特徴を覚えさせる効果的な方法かもしれません。 修正PCAアルゴリズムは、マルチモードプロセスを監視するための連続学習機能によって構築される。 それはPCA-EWCと呼ばれ、現在のモードでPCAモデルが確立されたときに以前のモードの重要な特徴が保存されます。
  論文  参考訳（メタデータ） (2020-12-13T12:09:38Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Model-Augmented Actor-Critic: Backpropagating through Paths [81.86992776864729]
  現在のモデルに基づく強化学習アプローチでは、単に学習されたブラックボックスシミュレータとしてモデルを使用する。 その微分可能性を利用してモデルをより効果的に活用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-16T19:18:10Z)

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。