論文の概要: Dimensionality Expansion and Transfer Learning for Next Generation
Energy Management Systems
- arxiv url: http://arxiv.org/abs/2204.02802v1
- Date: Wed, 6 Apr 2022 13:13:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 15:31:34.929188
- Title: Dimensionality Expansion and Transfer Learning for Next Generation
Energy Management Systems
- Title（参考訳）: 次世代エネルギー管理システムにおける次元展開と伝達学習
- Authors: Bla\v{z} Bertalani\v{c}, Jakob Jenko and Carolina Fortuna
- Abstract要約: 電気システム(EMS)は省エネにおいて中心的な役割を担っている。
EMSの重要な機能のひとつは、負荷監視プロセスを通じて家庭内のアプライアンスを自動的に検出し、識別することである。
本稿では, EMS (BEMS) 構築のための新しい転写学習手法を提案し, 転送プロセス中にバックボーンモデルを適用する際に, サンプル数, ターゲットクラス数の観点からトレードオフについて検討する。
- 参考スコア（独自算出の注目度）: 0.7133136338850781
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrical management systems (EMS) are playing a central role in enabling
energy savings. They can be deployed within an everyday household where they
monitor and manage appliances and help residents be more energy efficient and
subsequently also more economical. One of they key functionalities of EMS is to
automatically detect and identify appliances within a household through the
process of load monitoring. In this paper, we propose a new transfer learning
approach for building EMS (BEMS) and study the trade-offs in terms of numbers
of samples and target classes in adapting a backbone model during the transfer
process. We also perform a first time analysis of feature expansion through
video-like transformation of time series data for device classification in non
intrusive load monitoring (NILM) and propose a deep learning architecture
enabling accurate appliance identification. We examine the relative performance
of our method on 5 different representative low-frequency datasets and show
that our method performs with an average F1 score of 0.88 on these datasets.
- Abstract（参考訳）: 電気システム(EMS)は省エネにおいて中心的な役割を担っている。
一般家庭に配置し、家電を監視・管理し、住民のエネルギー効率を高め、経済性を高めることができる。
EMSの重要な機能のひとつは、負荷監視プロセスを通じて家庭内のアプライアンスを自動的に検出し、識別することである。
本稿では, EMS (BEMS) 構築のための新しい転写学習手法を提案し, 転送プロセス中にバックボーンモデルを適用する際に, サンプル数, ターゲットクラス数の観点からトレードオフについて検討する。
また、非侵入負荷監視(NILM)におけるデバイス分類のための時系列データの動画変換による特徴拡張の初回解析を行い、正確なアプライアンス同定を可能にするディープラーニングアーキテクチャを提案する。
提案手法は, 5種類の低周波データセットに対して相対的な性能を示し, 平均F1スコアが0.88であることを示す。
関連論文リスト
- DigiRL: Training In-The-Wild Device-Control Agents with Autonomous Reinforcement Learning [61.10299147201369]
本稿では,Wild デバイス制御エージェントをトレーニングするための新しい自律型 RL 手法である DigiRL を提案する。
VLMベースの評価器を備えた,スケーラブルで並列化可能なAndroid学習環境を構築する。
我々はAndroid-in-the-Wildデータセットを使用してDigiRLの有効性を実証し、RLでトレーニングした1.3B VLMは49.5%の絶対改善を実現した。
論文 参考訳（メタデータ） (2024-06-14T17:49:55Z) - Foundation Models for Structural Health Monitoring [17.37816294594306]
本稿では,トランスフォーマーニューラルネットワークをMasked Auto-Encoderアーキテクチャを用いて,構造的健康モニタリングのための基礎モデルとして初めて利用することを提案する。
自己教師付き事前学習を通じて、複数の大規模データセットから一般化可能な表現を学習する能力を実証する。
本研究は,3つの運用用インダクトのデータを用いた基礎モデルの有効性を示す。
論文 参考訳（メタデータ） (2024-04-03T13:32:44Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - RA-DIT: Retrieval-Augmented Dual Instruction Tuning [90.98423540361946]
Retrieval-augmented Language Model (RALMs) は、外部データストアからロングテールおよび最新の知識にアクセスすることで、パフォーマンスを向上させる。
既存のアプローチでは、LM事前トレーニングに高価な検索固有の修正が必要になるか、あるいは、最適以下のパフォーマンスをもたらすデータストアのポストホック統合を使用する必要がある。
本稿では,第3の選択肢を提供する軽量な微調整手法であるRetrieval-Augmented Dual Instruction Tuning (RA-DIT)を紹介する。
論文 参考訳（メタデータ） (2023-10-02T17:16:26Z) - Parameter-Efficient Transfer Learning for Remote Sensing Image-Text
Retrieval [10.84733740863356]
本研究では,画像テキスト検索タスクにおいて,自然領域から RS 領域に視覚言語知識を伝達するためのパラメータ効率変換学習(PETL)手法について検討する。
提案モデルでは0.16万のトレーニングパラメータしか含まないため,完全微調整に比べて98.9%のパラメータ削減が可能である。
検索性能は従来の手法を7～13%超え,完全微調整よりも高い性能を達成している。
論文 参考訳（メタデータ） (2023-08-24T02:43:53Z) - FusionAD: Multi-modality Fusion for Prediction and Planning Tasks of
Autonomous Driving [20.037562671813]
FusionADは、最も重要なセンサー、カメラ、LiDARからの情報を融合する最初の統合フレームワークです。
カメラベースのエンドツーエンドUniADに対して、FMSと呼ばれるモダリティ対応の予測ステータス計画モジュールを融合支援する手法を確立する。
我々は、一般的に使用されているベンチマークnuのデータセット、我々の最先端性能、検出や追跡などの認識タスクにおける平均15%のベースライン、占有率の10%の予測精度、予測誤差の0.708から0.389の削減、衝突率の0.31%の削減など、幅広い実験を行った。
論文 参考訳（メタデータ） (2023-08-02T08:29:44Z) - Energy Efficient Deep Multi-Label ON/OFF Classification of Low Frequency Metered Home Appliances [0.16777183511743468]
非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、単一計測点からアプライアンスレベルのデータを取得するプロセスである。
本稿では,NILMのマルチラベル分類を改良した新しいDLモデルを提案する。
最先端モデルと比較して、提案モデルではエネルギー消費を23%以上削減している。
論文 参考訳（メタデータ） (2023-07-18T13:23:23Z) - MMTSA: Multimodal Temporal Segment Attention Network for Efficient Human
Activity Recognition [33.94582546667864]
マルチモーダルセンサは、人間の活動認識のための正確な機械学習方法を開発するために補完情報を提供する。
本稿では,RGBカメラと慣性計測ユニット(IMU)を用いたHARのための効率的なマルチモーダルニューラルネットワークアーキテクチャを提案する。
3つの確立された公開データセットを用いて,HARにおけるMTSAの有効性と効率を評価した。
論文 参考訳（メタデータ） (2022-10-14T08:05:16Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文 参考訳（メタデータ） (2022-02-03T07:12:36Z) - Towards Accurate Knowledge Transfer via Target-awareness Representation
Disentanglement [56.40587594647692]
本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。
TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。
各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
論文 参考訳（メタデータ） (2020-10-16T17:45:08Z)
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。