論文の概要: Towards trustworthy Energy Disaggregation: A review of challenges,
methods and perspectives for Non-Intrusive Load Monitoring
- arxiv url: http://arxiv.org/abs/2207.02009v1
- Date: Tue, 5 Jul 2022 12:44:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-06 20:50:42.496558
- Title: Towards trustworthy Energy Disaggregation: A review of challenges,
methods and perspectives for Non-Intrusive Load Monitoring
- Title(参考訳): 信頼に値するエネルギー分散に向けて : 非インタラクティブ負荷モニタリングの課題, 方法, 展望のレビュー
- Authors: Maria Kaselimi, Eftychios Protopapadakis, Athanasios Voulodimos,
Nikolaos Doulamis, Anastasios Doulamis
- Abstract要約: 非侵入負荷監視(Non-Inrusive Load Monitoring, NILM)は、電力消費を個々のサブコンポーネントに分散させるタスクである。
本研究は,未熟期のNILM時代と成熟期のNILM時代とのギャップを狭めるものである。
- 参考スコア(独自算出の注目度): 15.149188998019186
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-intrusive load monitoring (NILM) is the task of disaggregating the total
power consumption into its individual sub-components. Over the years, signal
processing and machine learning algorithms have been combined to achieve this.
A lot of publications and extensive research works are performed on energy
disaggregation or NILM for the state-of-the-art methods to reach on the
desirable performance. The initial interest of the scientific community to
formulate and describe mathematically the NILM problem using machine learning
tools has now shifted into a more practical NILM. Nowadays, we are in the
mature NILM period where there is an attempt for NILM to be applied in
real-life application scenarios. Thus, complexity of the algorithms,
transferability, reliability, practicality and in general trustworthiness are
the main issues of interest. This review narrows the gap between the early
immature NILM era and the mature one. In particular, the paper provides a
comprehensive literature review of the NILM methods for residential appliances
only. The paper analyzes, summarizes and presents the outcomes of a large
number of recently published scholarly articles. Also, the paper discusses the
highlights of these methods and introduces the research dilemmas that should be
taken into consideration by researchers to apply NILM methods. Finally, we show
the need for transferring the traditional disaggregation models into a
practical and trustworthy framework.
- Abstract(参考訳): 非侵入負荷監視(Non-Inrusive Load Monitoring, NILM)は、電力消費を個々のサブコンポーネントに分散させるタスクである。
長年にわたり、信号処理と機械学習アルゴリズムが組み合わさってこれを実現してきた。
多くの出版物や広範な研究が、望ましい性能に到達するための最先端の手法のためのエネルギー分解(NILM)について行われている。
科学コミュニティの最初の関心は、機械学習ツールを用いたNILM問題を数学的に定式化し記述することであった。
現在、私たちは成熟したNILM時代にあり、NILMを実際のアプリケーションシナリオに適用しようと試みています。
したがって、アルゴリズムの複雑さ、転送可能性、信頼性、実用性、そして一般に信頼性が主な関心事である。
本研究は,未熟期のNILM時代と成熟期とのギャップを狭めるものである。
特に, 住宅機器のみを対象としたNILM法に関する総合的な文献レビューを行った。
論文は、最近発表された多くの学術論文の結果を分析し、要約し、提示する。
また、これらの手法のハイライトについて論じ、NILM法の適用について研究者が考慮すべき研究ジレンマを紹介する。
最後に,従来のデアグリゲーションモデルを実用的で信頼性の高いフレームワークに移行する必要性を示す。
関連論文リスト
- LLMs Assist NLP Researchers: Critique Paper (Meta-)Reviewing [106.45895712717612]
大規模言語モデル(LLM)は、様々な生成タスクにおいて顕著な汎用性を示している。
本研究は,NLP研究者を支援するLLMの話題に焦点を当てる。
私たちの知る限りでは、このような包括的な分析を提供するのはこれが初めてです。
論文 参考訳(メタデータ) (2024-06-24T01:30:22Z) - Benchmarking Uncertainty Quantification Methods for Large Language Models with LM-Polygraph [85.51252685938564]
不確実性定量化(UQ)は、機械学習(ML)に依存するアプリケーションの重要なコンポーネントとして、ますます認識されつつある。
他のMLモデルと同様に、大きな言語モデル(LLM)は、クレームを作成することによって誤った予測をする傾向があり、あるいは与えられた入力に対して単に低品質の出力を生成する。
本稿では,最先端のUQベースラインの集合を実装した新しいベンチマークを提案し,新しいテクニックを制御可能かつ一貫した評価を行う環境を提供する。
論文 参考訳(メタデータ) (2024-06-21T20:06:31Z) - Can LLMs Solve longer Math Word Problems Better? [47.227621867242]
大規模言語モデル(LLM)の能力評価にはMWP(Math Word Problems)が不可欠である
この研究は、文脈長一般化可能性(CoLeG)の探索の先駆者である。
これらの問題を解決する上で, LLMの有効性とレジリエンスを評価するために, 2つの新しい指標が提案されている。
論文 参考訳(メタデータ) (2024-05-23T17:13:50Z) - What Can Natural Language Processing Do for Peer Review? [173.8912784451817]
現代の科学ではピアレビューが広く使われているが、それは難しく、時間がかかり、エラーを起こしやすい。
ピアレビューに関わるアーティファクトは大部分がテキストベースであるため、自然言語処理はレビューを改善する大きな可能性を秘めている。
筆者らは、原稿提出からカメラ対応リビジョンまでの各工程について詳述し、NLP支援の課題と機会について論じる。
論文 参考訳(メタデータ) (2024-05-10T16:06:43Z) - LM-Polygraph: Uncertainty Estimation for Language Models [71.21409522341482]
不確実性推定(UE)手法は、大規模言語モデル(LLM)の安全性、責任性、効果的な利用のための1つの経路である。
テキスト生成タスクにおけるLLMの最先端UEメソッドのバッテリを実装したフレームワークであるLM-PolygraphをPythonで統一したプログラムインタフェースで導入する。
研究者によるUEテクニックの一貫した評価のための拡張可能なベンチマークと、信頼スコア付き標準チャットダイアログを強化するデモWebアプリケーションを導入している。
論文 参考訳(メタデータ) (2023-11-13T15:08:59Z) - Aligning Large Language Models with Human: A Survey [53.6014921995006]
広範囲なテキストコーパスで訓練されたLarge Language Models (LLM) は、幅広い自然言語処理(NLP)タスクの先導的なソリューションとして登場した。
その顕著な性能にもかかわらず、これらのモデルは、人間の指示を誤解したり、偏見のあるコンテンツを生成したり、事実的に誤った情報を生成するといった、ある種の制限を受ける傾向にある。
本調査では,これらのアライメント技術の概要について概観する。
論文 参考訳(メタデータ) (2023-07-24T17:44:58Z) - Non-Intrusive Load Monitoring (NILM) using Deep Neural Networks: A
Review [0.0]
非侵入負荷監視(Non-Inrusive Load Monitoring, NILM)は、総エネルギー消費プロファイルを個々の機器負荷プロファイルに分解する手法である。
機械学習やディープラーニングを含む様々な手法がNILMアルゴリズムの実装と改善に用いられてきた。
本稿では, 深層学習に基づく最近のNILM手法を概観し, 住宅負荷の最も正確な方法を紹介する。
論文 参考訳(メタデータ) (2023-06-08T08:11:21Z) - SoK: Pragmatic Assessment of Machine Learning for Network Intrusion
Detection [3.8759572154478343]
本稿では,NIDに対するMLに対する実践者の懐疑的意識を,研究で採用されている評価方法論を「変える」ことで低減することを目的とする。
実践者がNIDのためのML手法の真の価値を評価できる「実用的評価」の概念を提案する。
論文 参考訳(メタデータ) (2023-04-30T18:38:27Z) - Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。
近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。
我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
論文 参考訳(メタデータ) (2021-08-02T03:56:35Z)
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。