論文の概要: Representation Learning for Appliance Recognition: A Comparison to
Classical Machine Learning
- arxiv url: http://arxiv.org/abs/2209.03759v1
- Date: Fri, 26 Aug 2022 15:09:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-11 13:15:25.128744
- Title: Representation Learning for Appliance Recognition: A Comparison to
Classical Machine Learning
- Title（参考訳）: アプライアンス認識のための表現学習:古典的機械学習との比較
- Authors: Matthias Kahl and Daniel Jorde and Hans-Arno Jacobsen
- Abstract要約: 非侵入的負荷モニタリングは、集約的消費測定からエネルギー消費とアプライアンス状態情報を取得することを目的としている。
我々は、NILM処理チェーンをどのように改善し、複雑さを減らし、代わりに最近のディープラーニングアルゴリズムで設計するかを示す。
44個のアプライアンスの5万件以上のイベントを含む2つの大規模エネルギー消費データセットに対する全てのアプローチを評価した。
- 参考スコア（独自算出の注目度）: 13.063093054280946
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Non-intrusive load monitoring (NILM) aims at energy consumption and appliance
state information retrieval from aggregated consumption measurements, with the
help of signal processing and machine learning algorithms. Representation
learning with deep neural networks is successfully applied to several related
disciplines. The main advantage of representation learning lies in replacing an
expert-driven, hand-crafted feature extraction with hierarchical learning from
many representations in raw data format. In this paper, we show how the NILM
processing-chain can be improved, reduced in complexity and alternatively
designed with recent deep learning algorithms. On the basis of an event-based
appliance recognition approach, we evaluate seven different classification
models: a classical machine learning approach that is based on a hand-crafted
feature extraction, three different deep neural network architectures for
automated feature extraction on raw waveform data, as well as three baseline
approaches for raw data processing. We evaluate all approaches on two
large-scale energy consumption datasets with more than 50,000 events of 44
appliances. We show that with the use of deep learning, we are able to reach
and surpass the performance of the state-of-the-art classical machine learning
approach for appliance recognition with an F-Score of 0.75 and 0.86 compared to
0.69 and 0.87 of the classical approach.
- Abstract（参考訳）: 非侵入負荷監視(NILM)は、信号処理と機械学習アルゴリズムの助けを借りて、集約消費測定からエネルギー消費とアプライアンス状態情報を取得することを目的としている。
ディープニューラルネットワークを用いた表現学習は、いくつかの関連する分野にうまく適用できる。
表現学習の主な利点は、専門家主導で手作りの機能抽出を、生のデータフォーマットで多くの表現から階層的な学習に置き換えることである。
本稿では,NILM処理チェーンを改良し,複雑性を低減し,最近のディープラーニングアルゴリズムで設計する方法について述べる。
イベントベースのアプライアンス認識アプローチに基づいて,手作り特徴抽出に基づく古典的機械学習アプローチ,波形データの自動特徴抽出のための3つの異なるディープニューラルネットワークアーキテクチャ,および生データ処理のための3つのベースラインアプローチの7つの分類モデルを評価する。
44個のアプライアンスの5万件以上のイベントを含む2つの大規模エネルギー消費データセットに対する全てのアプローチを評価した。
ディープラーニングを用いることで、Fスコア0.75と0.86のアプライアンス認識のための最先端の古典的機械学習アプローチの性能を、従来の0.69と0.87と比較して達成し、超えることを示す。
関連論文リスト
- Understanding learning from EEG data: Combining machine learning and
feature engineering based on hidden Markov models and mixed models [0.0]
前頭蓋振動は空間ナビゲーションや記憶において重要な役割を担っていると考えられている。
EEGデータセットは非常に複雑で、神経信号の変化を解釈しにくくする。
本稿では,脳波データから特徴を抽出するために隠れマルコフと線形混合効果モデルを提案する。
論文 参考訳（メタデータ） (2023-11-14T12:24:12Z) - Reinforcement Learning Based Multi-modal Feature Fusion Network for
Novel Class Discovery [47.28191501836041]
本稿では,人間の認知過程をシミュレートするために強化学習フレームワークを用いる。
また,マルチモーダル情報から特徴を抽出・融合するマルチエージェントフレームワークをデプロイした。
我々は、OS-MN40、OS-MN40-Miss、Cifar10データセットを用いて、3Dドメインと2Dドメインの両方でのアプローチの性能を示す。
論文 参考訳（メタデータ） (2023-08-26T07:55:32Z) - Deep Feature Learning for Wireless Spectrum Data [0.5809784853115825]
本稿では,無線通信クラスタリングのための特徴表現を教師なしで学習する手法を提案する。
自動表現学習は,無線伝送バーストの形状を含む微細なクラスタを抽出できることを示す。
論文 参考訳（メタデータ） (2023-08-07T12:27:19Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Learning Deep Representation with Energy-Based Self-Expressiveness for
Subspace Clustering [24.311754971064303]
本稿では,エネルギーモデルに基づく新しい深部サブスペースクラスタリングフレームワークを提案する。
最近普及している自己教師型学習の強力な表現能力を考えると、自己教師型表現学習を利用して辞書を学習しようとする。
論文 参考訳（メタデータ） (2021-10-28T11:51:08Z) - Improved Speech Emotion Recognition using Transfer Learning and
Spectrogram Augmentation [56.264157127549446]
音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。
SERの主な課題の1つは、データの不足である。
本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
論文 参考訳（メタデータ） (2021-08-05T10:39:39Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。
提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。
2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
論文 参考訳（メタデータ） (2020-12-23T09:33:11Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Unsupervised Multi-Modal Representation Learning for Affective Computing
with Multi-Corpus Wearable Data [16.457778420360537]
我々は、人間の監督への依存を減らすために、教師なしの枠組みを提案する。
提案フレームワークは2つの畳み込み自己エンコーダを用いて、ウェアラブル心電図(ECG)と電磁気放射能(EDA)信号から潜時表現を学習する。
提案手法は, 同一のデータセット上での覚醒検出を行ない, 現状の成果よりも優れていた。
論文 参考訳（メタデータ） (2020-08-24T22:01:55Z) - Extracting dispersion curves from ambient noise correlations using deep
learning [1.0237120900821557]
本研究では,表面波の分散曲線の位相を分類する機械学習手法を提案する。
受信機のアレイで観測された表面の標準FTAN解析を画像に変換する。
我々は、教師付き学習目標を備えた畳み込みニューラルネットワーク(U-net)アーキテクチャを使用し、伝達学習を取り入れる。
論文 参考訳（メタデータ） (2020-02-05T23:41:12Z)
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。