論文の概要: Continual learning-based probabilistic slow feature analysis for multimode dynamic process monitoring

• arxiv url: http://arxiv.org/abs/2202.11295v1
• Date: Wed, 23 Feb 2022 03:57:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-25 03:25:05.254792
• Title: Continual learning-based probabilistic slow feature analysis for multimode dynamic process monitoring
• Title（参考訳）: 連続学習に基づく多モード動的プロセスモニタリングのための確率的遅い特徴解析
• Authors: Jingxin Zhang, Donghua Zhou, Maoyin Chen, Xia Hong
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.9631016562930546
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, a novel multimode dynamic process monitoring approach is proposed by extending elastic weight consolidation (EWC) to probabilistic slow feature analysis (PSFA) in order to extract multimode slow features for online monitoring. EWC was originally introduced in the setting of machine learning of sequential multi-tasks with the aim of avoiding catastrophic forgetting issue, which equally poses as a major challenge in multimode dynamic process monitoring. When a new mode arrives, a set of data should be collected so that this mode can be identified by PSFA and prior knowledge. Then, a regularization term is introduced to prevent new data from significantly interfering with the learned knowledge, where the parameter importance measures are estimated. The proposed method is denoted as PSFA-EWC, which is updated continually and capable of achieving excellent performance for successive modes. Different from traditional multimode monitoring algorithms, PSFA-EWC furnishes backward and forward transfer ability. The significant features of previous modes are retained while consolidating new information, which may contribute to learning new relevant modes. Compared with several known methods, the effectiveness of the proposed method is demonstrated via a continuous stirred tank heater and a practical coal pulverizing system.
• Abstract（参考訳）: 本稿では, オンライン監視のためのマルチモードスロー機能を抽出するために, 弾性重み密化 (ewc) を確率的スロー機能解析 (psfa) に拡張した新しいマルチモード動的プロセスモニタリング手法を提案する。 ewcは当初、シーケンシャルなマルチタスクの機械学習の設定に導入され、破滅的な忘れる問題を避けることを目的としていた。 新しいモードが到着すると、このモードをPSFAと事前の知識で識別できるように、一連のデータを収集する必要がある。 そして、パラメータ重要度を推定する学習知識に新たなデータが著しく干渉することを防止するために、正規化用語を導入する。 提案手法はPSFA-EWCと表現され,継続的に更新され,連続モードの性能に優れる。 従来のマルチモード監視アルゴリズムとは異なり、PSFA-EWCは後方転送と前方転送機能を備えている。 以前のモードの重要な機能は、新しい情報を統合しながら保持され、新しい関連するモードの学習に寄与する可能性がある。 複数の既知の方法と比較し, 提案手法の有効性を連続槽ヒータと実用的な石炭粉砕システムを用いて実証した。

関連論文リスト

• Transforming Multidimensional Time Series into Interpretable Event Sequences for Advanced Data Mining [5.2863523790908955]
  本稿では,多次元時系列解析における従来の手法の限界に対処する新しい表現モデルを提案する。 提案するフレームワークは,ITインフラの監視と最適化,継続的な患者モニタリングによる診断,トレンド分析,インターネットビジネスによるユーザ行動の追跡,予測など,さまざまな分野のアプリケーションに対して大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-09-22T06:27:07Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• CUDC: A Curiosity-Driven Unsupervised Data Collection Method with Adaptive Temporal Distances for Offline Reinforcement Learning [62.58375643251612]
  本稿では,Curiosity-driven Unsupervised Data Collection (CUDC)法を提案する。 この適応的な到達性機構により、特徴表現は多様化することができ、エージェントは、好奇心で高品質なデータを集めるために自分自身をナビゲートすることができる。 実験的に、CUDCはDeepMindコントロールスイートの様々なダウンストリームオフラインRLタスクにおいて、既存の教師なし手法よりも効率と学習性能が優れている。
  論文  参考訳（メタデータ） (2023-12-19T14:26:23Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Contrastively Disentangled Sequential Variational Autoencoder [20.75922928324671]
  本稿では,C-DSVAE(Contrastively Disentangled Sequential Variational Autoencoder)という新しいシーケンス表現学習手法を提案する。 我々は,静的因子と動的因子の相互情報をペナルティ化しながら,入力と潜伏因子の相互情報を最大化する新しいエビデンスローバウンドを用いる。 実験の結果、C-DSVAEは従来の最先端の手法よりも優れていたことが判明した。
  論文  参考訳（メタデータ） (2021-10-22T23:00:32Z)
• Self-learning sparse PCA for multimode process monitoring [2.8102838347038617]
  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。
  論文  参考訳（メタデータ） (2021-08-07T13:50:16Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Online Reinforcement Learning Control by Direct Heuristic Dynamic Programming: from Time-Driven to Event-Driven [80.94390916562179]
  時間駆動学習は、新しいデータが到着すると予測モデルのパラメータを継続的に更新する機械学習手法を指す。 ノイズなどの重要なシステムイベントによる時間駆動型dHDPの更新を防止することが望ましい。 イベント駆動型dHDPアルゴリズムは,従来の時間駆動型dHDPと比較して動作することを示す。
  論文  参考訳（メタデータ） (2020-06-16T05:51:25Z)

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。