Fugu-MT 論文翻訳(概要): Sky-image-based solar forecasting using deep learning with multi-location data: training models locally, globally or via transfer learning?

論文の概要: Sky-image-based solar forecasting using deep learning with multi-location data: training models locally, globally or via transfer learning?

arxiv url: http://arxiv.org/abs/2211.02108v1
Date: Thu, 3 Nov 2022 19:25:28 GMT
ステータス: 処理完了
システム内更新日: 2022-11-07 16:00:40.665494
Title: Sky-image-based solar forecasting using deep learning with multi-location data: training models locally, globally or via transfer learning?
Title（参考訳）: マルチロケーションデータを用いた深層学習を用いたスカイイメージに基づく日射予測--ローカル、グローバル、トランスファーラーニングによるトレーニングモデル?
Authors: Yuhao Nie, Quentin Paletta, Andea Scotta, Luis Martin Pomares, Guillaume Arbod, Sgouris Sgouridis, Joan Lasenby, Adam Brandt
Abstract要約: ディープラーニングモデルをトレーニングする上で最大の課題のひとつは、ラベル付きデータセットの可用性だ。近年、ますます多くの天空画像データセットがオープンソース化され、正確で信頼性の高い太陽予測手法の開発は、大きな成長の可能性を秘めている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Solar forecasting from ground-based sky images using deep learning models has shown great promise in reducing the uncertainty in solar power generation. One of the biggest challenges for training deep learning models is the availability of labeled datasets. With more and more sky image datasets open sourced in recent years, the development of accurate and reliable solar forecasting methods has seen a huge growth in potential. In this study, we explore three different training strategies for deep-learning-based solar forecasting models by leveraging three heterogeneous datasets collected around the world with drastically different climate patterns. Specifically, we compare the performance of models trained individually based on local datasets (local models) and models trained jointly based on the fusion of multiple datasets from different locations (global models), and we further examine the knowledge transfer from pre-trained solar forecasting models to a new dataset of interest (transfer learning models). The results suggest that the local models work well when deployed locally, but significant errors are observed for the scale of the prediction when applied offsite. The global model can adapt well to individual locations, while the possible increase in training efforts need to be taken into account. Pre-training models on a large and diversified source dataset and transferring to a local target dataset generally achieves superior performance over the other two training strategies. Transfer learning brings the most benefits when there are limited local data. With 80% less training data, it can achieve 1% improvement over the local baseline model trained using the entire dataset. Therefore, we call on the efforts from the solar forecasting community to contribute to a global dataset containing a massive amount of imagery and displaying diversified samples with a range of sky conditions.
Abstract（参考訳）: 深層学習モデルを用いた地上の天空画像からの日射予測は、太陽発電の不確実性を低減する大きな可能性を示している。ディープラーニングモデルのトレーニングにおける最大の課題のひとつは、ラベル付きデータセットの可用性だ。近年、ますます多くの天空画像データセットがオープンソース化され、正確で信頼性の高い太陽予測手法の開発が大きな成長を遂げている。本研究では,世界中から収集した3つの異種データセットを用いて,深層学習に基づく太陽予報モデルのための3つの異なるトレーニング戦略について検討する。具体的には,ローカルデータセット(ローカルモデル)に基づいて個別にトレーニングしたモデルと,異なる場所(グローバルモデル)から複数のデータセットを融合して共同でトレーニングしたモデルのパフォーマンスを比較し,事前学習した太陽予報モデルから新たな関心のデータセット(転送学習モデル)への知識伝達について検討する。その結果、ローカルモデルがローカルにデプロイするとうまく機能することが示唆されたが、オフサイトに適用された場合の予測のスケールにおいて重大な誤差が観測される。グローバルモデルは個々の場所にうまく適応できるが、トレーニング努力の増加の可能性を考慮する必要がある。大規模で多様なソースデータセット上の事前トレーニングモデルと、ローカルターゲットデータセットへの転送は、一般的に、他の2つのトレーニング戦略よりも優れたパフォーマンスを達成する。転送学習は、ローカルデータに制限がある場合に最も利益をもたらす。トレーニングデータの80%削減により、データセット全体を使用してトレーニングされたローカルベースラインモデルよりも1%改善できる。そこで我々は,太陽予報コミュニティの努力を,大量の画像を含む地球規模のデータセットに貢献し,さまざまな空条件で多彩なサンプルを表示するよう呼びかける。

関連論文リスト

SolNet: Open-source deep learning models for photovoltaic power forecasting across the globe [0.0]
SolNetは、新しい汎用多変量太陽発電予測器である。我々はSolNetがデータスカース設定よりも予測性能を向上させることを示す。転校学習実践者に対するガイドラインと考察を行う。
論文参考訳（メタデータ） (2024-05-23T12:00:35Z)
Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-22T02:12:08Z)
Fantastic Gains and Where to Find Them: On the Existence and Prospect of General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文参考訳（メタデータ） (2023-10-26T17:59:46Z)
A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文参考訳（メタデータ） (2023-04-14T14:40:32Z)
Local-Global Methods for Generalised Solar Irradiance Forecasting [1.4452289368758378]
我々は、新しい場所で太陽の光を正確に予測できるモデルを作成することができることを示した。これは、新たに設置されたソーラーファームと国内施設の両方の計画と最適化を促進する可能性がある。
論文参考訳（メタデータ） (2023-03-10T16:13:35Z)
Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文参考訳（メタデータ） (2022-12-19T20:46:43Z)
Model Selection, Adaptation, and Combination for Deep Transfer Learning through Neural Networks in Renewable Energies [5.953831950062808]
再生可能電力予測におけるモデル選択と伝達学習の適応のための最初の徹底的な実験を行う。異なる季節のデータに基づくモデルを採用し、トレーニングデータの量を制限する。複数のモデルをアンサンブルで組み合わせることで、モデル選択と適応のアプローチが大幅に改善されることを示す。
論文参考訳（メタデータ） (2022-04-28T05:34:50Z)
Data Selection for Efficient Model Update in Federated Learning [0.07614628596146598]
本稿では,グローバルモデルのトレーニングに必要なローカルデータの量を削減することを提案する。本手法では, 局所データの特徴により敏感な部分と, 一般特徴抽出のための下位部分と, 上位部分とにモデルを分割する。実験の結果,クライアントデータの特徴をグローバルモデルに転送できる地域データは1%未満であることがわかった。
論文参考訳（メタデータ） (2021-11-05T14:07:06Z)
Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文参考訳（メタデータ） (2020-09-22T20:19:41Z)
Think Locally, Act Globally: Federated Learning with Local and Global Representations [92.68484710504666]
フェデレートラーニング(Federated Learning)とは、複数のデバイスに分散したプライベートデータ上でモデルをトレーニングする手法である。本稿では,各デバイス上でコンパクトな局所表現を共同で学習する新しいフェデレーション学習アルゴリズムを提案する。また、プライバシが鍵となる実世界のモバイルデータから、パーソナライズされた気分予測のタスクを評価する。
論文参考訳（メタデータ） (2020-01-06T12:40:21Z)

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。