論文の概要: Generating Multivariate Load States Using a Conditional Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2110.11435v1
• Date: Thu, 21 Oct 2021 19:07:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-25 15:58:34.921097
• Title: Generating Multivariate Load States Using a Conditional Variational Autoencoder
• Title（参考訳）: 条件付き変分オートエンコーダを用いた多変量負荷状態の生成
• Authors: Chenguang Wang, Ensieh Sharifnia, Zhi Gao, Simon H. Tindemans, Peter Palensky
• Abstract要約: 本稿では,条件付き可変オートエンコーダ(CVAE)ニューラルネットワークを提案する。 このモデルは与えられた潜在ベクトルの下での出力サンプルの潜時変化を含み、この出力変数のパラメータを共最適化する。 実験により、提案したジェネレータは、他のデータ生成メカニズムより優れていることが示された。
• 参考スコア（独自算出の注目度）: 11.557259513691239
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For planning of power systems and for the calibration of operational tools, it is essential to analyse system performance in a large range of representative scenarios. When the available historical data is limited, generative models are a promising solution, but modelling high-dimensional dependencies is challenging. In this paper, a multivariate load state generating model on the basis of a conditional variational autoencoder (CVAE) neural network is proposed. Going beyond common CVAE implementations, the model includes stochastic variation of output samples under given latent vectors and co-optimizes the parameters for this output variability. It is shown that this improves statistical properties of the generated data. The quality of generated multivariate loads is evaluated using univariate and multivariate performance metrics. A generation adequacy case study on the European network is used to illustrate model's ability to generate realistic tail distributions. The experiments demonstrate that the proposed generator outperforms other data generating mechanisms.
• Abstract（参考訳）: 電力系統の計画や運用ツールの校正には,多岐にわたる代表的なシナリオでシステム性能を分析することが不可欠である。 利用可能な履歴データが限られている場合、生成モデルは有望な解決策であるが、高次元の依存関係のモデリングは困難である。 本稿では,条件付き可変オートエンコーダ(CVAE)ニューラルネットワークに基づく多変量負荷状態生成モデルを提案する。 CVAEの一般的な実装を超えて、モデルは与えられた潜在ベクトルの下で出力サンプルの確率的変動を含み、この出力変数のパラメータを共最適化する。 これにより,生成データの統計的特性が向上することが示された。 生成した多変量負荷の品質は、単変量および多変量性能指標を用いて評価する。 モデルが現実的なテール分布を生成する能力を示すために,ヨーロッパネットワークに関する世代別ケーススタディが用いられている。 実験は,提案手法が他のデータ生成機構よりも優れていることを示す。

関連論文リスト

• Stable Training of Probabilistic Models Using the Leave-One-Out Maximum Log-Likelihood Objective [0.7373617024876725]
  カーネル密度推定(KDE)に基づくモデルは、このタスクの一般的な選択であるが、密度の異なるデータ領域に適応できない。 適応的なKDEモデルを用いてこれを回避し、モデル内の各カーネルは個別の帯域幅を持つ。 最適化速度を確実に高速化するために改良された期待最大化アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-10-05T14:08:42Z)
• Differential Evolution Algorithm based Hyper-Parameters Selection of Transformer Neural Network Model for Load Forecasting [0.0]
  トランスフォーマーモデルは、そのアテンションメカニズムから派生した長距離依存を学習できるため、ロード予測を改善する可能性がある。 我々の研究は,平均二乗誤差 (MSE) や平均絶対パーセンテージ誤差 (MAPE) といった数値に基づく負荷予測において,異なるメタヒューリスティックアルゴリズムと統合されたトランスフォーマーベースニューラルネットワークモデルを比較した。
  論文  参考訳（メタデータ） (2023-07-28T04:29:53Z)
• Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
  ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。 しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。 多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
  論文  参考訳（メタデータ） (2023-07-23T03:53:53Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Distributional Learning of Variational AutoEncoder: Application to Synthetic Data Generation [0.7614628596146602]
  本稿では,VAEフレームワークの計算上の利点を犠牲にすることなく,モデル容量を拡大する手法を提案する。 VAEモデルのデコーダは、非対称ラプラス分布の無限混合からなる。 提案したモデルを合成データ生成に適用し,特にデータプライバシの調整が容易であることを示す。
  論文  参考訳（メタデータ） (2023-02-22T11:26:50Z)
• Transformer-based conditional generative adversarial network for multivariate time series generation [0.0]
  時間依存データの条件付き生成は、非常に関心のあるタスクである。 変圧器を用いた時系列生成対向ネットワーク(TTS-GAN)の最近の提案 我々は、その生成された出力を特定のエンコードされたコンテキストに条件付けすることで、TS-GANを拡張する。 この変換器をベースとしたCGANは,異なる条件下で現実的な高次元および長大なデータ列を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-10-05T08:29:33Z)
• Generating Contextual Load Profiles Using a Conditional Variational Autoencoder [3.9275220564515743]
  本稿では,条件付き可変オートエンコーダ(CVAE)ニューラルネットワークアーキテクチャに基づく,産業顧客および商業顧客における負荷プロファイルの生成モデルについて述べる。 実験により,提案したCVAEモデルは,過去の負荷プロファイルの時間的特徴を捉え,現実的なデータを生成することができることを示した。
  論文  参考訳（メタデータ） (2022-09-08T23:12:54Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• 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)

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。