論文の概要: Hierarchical transfer learning with applications for electricity load forecasting

• arxiv url: http://arxiv.org/abs/2111.08512v1
• Date: Tue, 16 Nov 2021 14:36:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-17 15:20:35.599859
• Title: Hierarchical transfer learning with applications for electricity load forecasting
• Title（参考訳）: 階層的伝達学習と電力負荷予測への応用
• Authors: Solenne Gaucher (LMO), Yannig Goude (EDF R&D), Anestis Antoniadis (LJK)
• Abstract要約: この階層的予測問題とマルチスケール移動学習の類似性を利用する。 一般化された加法モデルとランダム森林の積み重ねに基づく階層的伝達学習の2つの手法を開発した。 本手法は,全国規模の電力負荷予測の2つの問題に適用し,第1の事例ではスマートメーターデータ,第2の事例では地域データを用いた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent abundance of data on electricity consumption at different scales opens new challenges and highlights the need for new techniques to leverage information present at finer scales in order to improve forecasts at wider scales. In this work, we take advantage of the similarity between this hierarchical prediction problem and multi-scale transfer learning. We develop two methods for hierarchical transfer learning, based respectively on the stacking of generalized additive models and random forests, and on the use of aggregation of experts. We apply these methods to two problems of electricity load forecasting at national scale, using smart meter data in the first case, and regional data in the second case. For these two usecases, we compare the performances of our methods to that of benchmark algorithms, and we investigate their behaviour using variable importance analysis. Our results demonstrate the interest of both methods, which lead to a significant improvement of the predictions.
• Abstract（参考訳）: 近年の電力消費に関するデータ量の増加は新たな課題を開き、より大規模な予測を改善するために、より微細なスケールに存在する情報を活用する新しい技術の必要性を強調している。 本研究では,この階層的予測問題とマルチスケールトランスファー学習の類似性を利用する。 一般化された加法モデルと無作為な森林の積み重ねと専門家の集約による階層的転帰学習の2つの手法を開発した。 これらの手法を全国規模の電力負荷予測の2つの問題に適用し,第1にスマートメータデータ,第2に地域データを用いた。 これら2つのユースケースについて,提案手法の性能をベンチマークアルゴリズムと比較し,その動作を変数重要度分析を用いて検証する。 その結果,両手法の関心が示され,予測の大幅な改善につながった。

関連論文リスト

• Accelerated Stochastic ExtraGradient: Mixing Hessian and Gradient Similarity to Reduce Communication in Distributed and Federated Learning [50.382793324572845]
  分散コンピューティングはデバイス間の通信を伴うため、効率性とプライバシという2つの重要な問題を解決する必要がある。 本稿では,データ類似性とクライアントサンプリングのアイデアを取り入れた新しい手法について分析する。 プライバシー問題に対処するために,付加雑音の手法を適用し,提案手法の収束への影響を解析する。
  論文  参考訳（メタデータ） (2024-09-22T00:49:10Z)
• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• Comparative Evaluation of Weather Forecasting using Machine Learning Models [2.0971479389679337]
  本研究では,ダッカ市の1つの気象観測所から得られた20年間のデータセットを用いて,降水パターンと降水パターンの予測における機械学習アルゴリズムの寄与を分析することに焦点を当てた。 グラディエントブースティング、AdaBoosting、Artificial Neural Network、Stacking Random Forest、Stacking Neural Network、Stacking KNNなどのアルゴリズムを評価して比較する。
  論文  参考訳（メタデータ） (2024-02-02T08:25:28Z)
• In-Context Convergence of Transformers [63.04956160537308]
  勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。 不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
  論文  参考訳（メタデータ） (2023-10-08T17:55:33Z)
• Is augmentation effective to improve prediction in imbalanced text datasets? [3.1690891866882236]
  データ拡張なしでカットオフを調整することは、オーバーサンプリング手法と同じような結果をもたらすと我々は主張する。 この結果は、不均衡なデータを扱うための様々なアプローチの長所と短所の理解に寄与する。
  論文  参考訳（メタデータ） (2023-04-20T13:07:31Z)
• An Empirical Study on Distribution Shift Robustness From the Perspective of Pre-Training and Data Augmentation [91.62129090006745]
  本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。 我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
  論文  参考訳（メタデータ） (2022-05-25T13:04:53Z)
• Short-term Multi-horizon Residential Electric Load Forecasting using Deep Learning and Signal Decomposition Methods [8.040519720237796]
  本研究では,負荷予測問題の精度向上を目的として,変分モード分解とディープラーニング技術の利用について検討する。 原荷重プロファイルは、まず変分モード分解を用いて固有モード関数に分解される。 異なる固有モード関数に関連する予測シーケンスを組み合わせて集約予測シーケンスを形成する。
  論文  参考訳（メタデータ） (2022-02-01T08:57:52Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• A Study imbalance handling by various data sampling methods in binary classification [0.0]
  本研究報告では,学習曲線と機械学習ライフサイクルへの露出について述べる。 我々は,前処理から最終最適化,モデル評価に至るまで,さまざまな手法を探求する。
  論文  参考訳（メタデータ） (2021-05-23T15:27:47Z)
• Analysis of key flavors of event-driven predictive maintenance using logs of phenomena described by Weibull distributions [3.5966476600109054]
  本研究では,インダストリー4.0におけるイベント駆動予測メンテナンスの2つのアプローチを検討する。 異なるデータ前処理技術、異なる予測アルゴリズム、およびアンサンブルおよびサンプリング方法の影響を検討する。
  論文  参考訳（メタデータ） (2021-01-18T12:15:35Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。