論文の概要: ALDI++: Automatic and parameter-less discord and outlier detection for
building energy load profiles
- arxiv url: http://arxiv.org/abs/2203.06618v1
- Date: Sun, 13 Mar 2022 10:39:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 08:59:16.694549
- Title: ALDI++: Automatic and parameter-less discord and outlier detection for
building energy load profiles
- Title（参考訳）: aldi++: 建物エネルギー負荷プロファイルの自動およびパラメータレスディスコードおよび異常検出
- Authors: Matias Quintana, Till Stoeckmann, June Young Park, Marian Turowski,
Veit Hagenmeyer, Clayton Miller
- Abstract要約: ユーザ定義パラメータをバイパスし,不協和性を利用したALDI++を開発する。
この結果から,ALDI++は勝率の6%を6倍の時間で予測し,最良な予測誤差を実現するのに有効であることがわかった。
- 参考スコア（独自算出の注目度）: 0.6606016007748989
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven building energy prediction is an integral part of the process for
measurement and verification, building benchmarking, and building-to-grid
interaction. The ASHRAE Great Energy Predictor III (GEPIII) machine learning
competition used an extensive meter data set to crowdsource the most accurate
machine learning workflow for whole building energy prediction. A significant
component of the winning solutions was the pre-processing phase to remove
anomalous training data. Contemporary pre-processing methods focus on filtering
statistical threshold values or deep learning methods requiring training data
and multiple hyper-parameters. A recent method named ALDI (Automated Load
profile Discord Identification) managed to identify these discords using matrix
profile, but the technique still requires user-defined parameters. We develop
ALDI++, a method based on the previous work that bypasses user-defined
parameters and takes advantage of discord similarity. We evaluate ALDI++
against a statistical threshold, variational auto-encoder, and the original
ALDI as baselines in classifying discords and energy forecasting scenarios. Our
results demonstrate that while the classification performance improvement over
the original method is marginal, ALDI++ helps achieve the best forecasting
error improving 6% over the winning's team approach with six times less
computation time.
- Abstract（参考訳）: データ駆動のビルディングエネルギー予測は、測定と検証、ベンチマークの構築、およびグリッド間相互作用のためのプロセスの不可欠な部分である。
ASHRAE Great Energy Predictor III (GEPIII) 機械学習コンペティションは、建築エネルギー予測全体の最も正確な機械学習ワークフローをクラウドソースするために、広範囲なメーターデータセットを使用した。
勝利したソリューションの重要な要素は、異常なトレーニングデータを削除する前処理フェーズだった。
現代の事前処理手法は、統計しきい値のフィルタリングや、訓練データと複数のハイパーパラメータを必要とする深層学習に重点を置いている。
ALDI(Automated Load Profile Discord Identification)と呼ばれる最近の手法は、これらの不一致を行列プロファイルを用いて識別することに成功したが、この手法は依然としてユーザ定義パラメータを必要とする。
本研究では,ユーザ定義パラメータをバイパスし,不協和性を利用したALDI++を開発した。
我々は,ALDI++を,統計しきい値,変分自動エンコーダ,原型ALDIを,不協和音の分類とエネルギー予測のシナリオのベースラインとして評価する。
この結果から,aldi++は従来の手法よりも分類性能が向上するが,aldi++は最良予測エラーを6倍の計算時間で達成できることがわかった。
関連論文リスト
- Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。
最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
論文 参考訳（メタデータ） (2024-10-30T17:20:10Z) - Amortized Active Learning for Nonparametric Functions [23.406516455945653]
アクティブラーニング(英: Active Learning, AL)は、最も情報性の高いデータを選択するためのシーケンシャルラーニングスキームである。
そこで本研究では,実データなしで事前トレーニングを行うニューラルネットワークを用いて,新たなデータを提案するアモータイズAL手法を提案する。
論文 参考訳（メタデータ） (2024-07-25T12:38:08Z) - Predictive Maintenance Model Based on Anomaly Detection in Induction
Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。
我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
論文 参考訳（メタデータ） (2023-10-15T18:43:45Z) - A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data [5.859431341476405]
イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。
提案手法は,実世界の重要な収集データセットに適用される。
このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
論文 参考訳（メタデータ） (2023-05-17T08:55:53Z) - AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。
この問題に対処するためにテスト時適応(TTA)手法が提案されている。
本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
論文 参考訳（メタデータ） (2023-04-25T04:23:13Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - SCAI: A Spectral data Classification framework with Adaptive Inference
for the IoT platform [0.0]
適応推論を用いたスペクトルデータ分類フレームワークを提案する。
具体的には、異なるデバイス間のコラボレーションをよりよく活用しながら、異なるサンプルに対して異なる計算を割り当てる。
我々の知る限り、この論文はIoTプラットフォーム下でのスペクトル検出のための適応推論による最適化を行うための最初の試みである。
論文 参考訳（メタデータ） (2022-06-24T09:22:52Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Highly Parallel Autoregressive Entity Linking with Discriminative
Correction [51.947280241185]
自己回帰リンクを全ての潜在的な言及に対して並列化する,非常に効率的な手法を提案する。
我々のモデルは以前の生成法より70倍高速で精度が高い。
論文 参考訳（メタデータ） (2021-09-08T17:28:26Z) - DAGA: Data Augmentation with a Generation Approach for Low-resource
Tagging Tasks [88.62288327934499]
線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。
本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
論文 参考訳（メタデータ） (2020-11-03T07:49:15Z)
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。