論文の概要: Task Embedding Temporal Convolution Networks for Transfer Learning
Problems in Renewable Power Time-Series Forecast
- arxiv url: http://arxiv.org/abs/2204.13908v1
- Date: Fri, 29 Apr 2022 07:02:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 01:46:05.079923
- Title: Task Embedding Temporal Convolution Networks for Transfer Learning
Problems in Renewable Power Time-Series Forecast
- Title(参考訳): 再生可能電力時系列予測におけるトランスファー学習問題のためのタスク埋め込み時間畳み込みネットワーク
- Authors: Jens Schreiber, Stephan Vogt and Bernhard Sick
- Abstract要約: 再生可能電力予測におけるマルチタスク学習と帰納的伝達学習のための多層パーセプトロンへのタスク埋め込みが導入された。
このアイデアを時間的畳み込みネットワークに拡張し、これらの季節性について検討する。
我々は再生可能電力予測のためのゼロショット学習を初めて提案し、たとえトレーニングデータが入手できなくても予測を提供する。
- 参考スコア(独自算出の注目度): 5.039779583329608
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Task embeddings in multi-layer perceptrons for multi-task learning and
inductive transfer learning in renewable power forecasts have recently been
introduced. In many cases, this approach improves the forecast error and
reduces the required training data. However, it does not take the seasonal
influences in power forecasts within a day into account, i.e., the diurnal
cycle. Therefore, we extended this idea to temporal convolutional networks to
consider those seasonalities. We propose transforming the embedding space,
which contains the latent similarities between tasks, through convolution and
providing these results to the network's residual block. The proposed
architecture significantly improves up to 25 percent for multi-task learning
for power forecasts on the EuropeWindFarm and GermanSolarFarm dataset compared
to the multi-layer perceptron approach. Based on the same data, we achieve a
ten percent improvement for the wind datasets and more than 20 percent in most
cases for the solar dataset for inductive transfer learning without
catastrophic forgetting. Finally, we are the first proposing zero-shot learning
for renewable power forecasts to provide predictions even if no training data
is available.
- Abstract(参考訳): 再生可能電力予測におけるマルチタスク学習と帰納的伝達学習のための多層パーセプトロンへのタスク埋め込みが最近導入された。
多くの場合、このアプローチは予測エラーを改善し、必要なトレーニングデータを削減する。
しかし、1日以内の電力予測、すなわち日周期の季節的影響は考慮されていない。
そこで,このアイデアを時間的畳み込みネットワークに拡張し,季節性を考慮した。
本稿では,ネットワークの残差ブロックに畳み込み,これらの結果を提供することにより,タスク間の潜在類似性を含む埋め込み空間の変換を提案する。
提案アーキテクチャはマルチタスク学習において,マルチ層パーセプトロンアプローチと比較して,EuropeWindFarm と GermanSolarFarm データセットのパワー予測を最大25%改善する。
同じデータに基づいて、風速データセットの10%改善を実現し、ほとんどの場合、大惨なことを忘れずに帰納学習のための太陽データセットの20%以上を達成しています。
最後に,再生可能エネルギー予測のためのゼロショット学習を初めて提案し,トレーニングデータがない場合でも予測を行う。
関連論文リスト
- Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - Asset Bundling for Wind Power Forecasting [15.393565192962482]
本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。
BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
論文 参考訳(メタデータ) (2023-09-28T14:56:34Z) - Navigating Out-of-Distribution Electricity Load Forecasting during
COVID-19: Benchmarking energy load forecasting models without and with
continual learning [10.47725405370935]
本稿では,新たなデータを用いたモデル更新のための継続的学習手法と,建物の外にあるプライバシー保護歩行者カウンタから収集した人体移動データを活用するための2つの戦略を用いる。
結果は、特にアウト・オブ・ディストリビューション期間において、正確なエネルギー予測において継続的な学習が重要な役割を担っていることを明らかにする。
論文 参考訳(メタデータ) (2023-09-08T12:36:49Z) - Improving the Transferability of Time Series Forecasting with
Decomposition Adaptation [14.09967794482993]
時系列予測では、十分なデータを得るのは難しいため、ニューラル予測モデルの性能が制限される。
データ不足の制限を軽減するため、SeDAN(Sequence Decomposition Adaptation Network)を設計する。
SeDANは、クロスドメインデータセットからの転送可能な知識を調整することで、ターゲットドメインでの予測性能を改善するための、新しい転送アーキテクチャである。
論文 参考訳(メタデータ) (2023-06-30T18:12:22Z) - On the Trade-off of Intra-/Inter-class Diversity for Supervised
Pre-training [72.8087629914444]
教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。
トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
論文 参考訳(メタデータ) (2023-05-20T16:23:50Z) - Optimal transfer protocol by incremental layer defrosting [66.76153955485584]
トランスファーラーニングは、限られた量のデータでモデルトレーニングを可能にする強力なツールである。
最も単純な転送学習プロトコルは、データリッチなソースタスクで事前訓練されたネットワークの機能抽出層を凍結する。
このプロトコルは、しばしば準最適であり、事前学習されたネットワークの小さな部分を凍結したままにしておくと、最大の性能向上が達成される可能性がある。
論文 参考訳(メタデータ) (2023-03-02T17:32:11Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Random vector functional link neural network based ensemble deep
learning for short-term load forecasting [14.184042046855884]
本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。
隠されたレイヤは、深い表現学習を強制するために積み上げられます。
モデルは各層の出力をアンサンブルすることで予測を生成する。
論文 参考訳(メタデータ) (2021-07-30T01:20:48Z) - Unsupervised Transfer Learning for Spatiotemporal Predictive Networks [90.67309545798224]
我々は、教師なし学習されたモデルの動物園から別のネットワークへ知識を伝達する方法を研究する。
私たちのモチベーションは、モデルは異なるソースからの複雑なダイナミクスを理解することが期待されていることです。
提案手法は,時間的予測のための3つのベンチマークで大幅に改善され,重要度が低いベンチマークであっても,ターゲットのメリットが得られた。
論文 参考訳(メタデータ) (2020-09-24T15:40:55Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-16T18:39:04Z)
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。