Fugu-MT 論文翻訳(概要): Challenges in Gaussian Processes for Non Intrusive Load Monitoring

論文の概要: Challenges in Gaussian Processes for Non Intrusive Load Monitoring

arxiv url: http://arxiv.org/abs/2211.13018v1
Date: Fri, 18 Nov 2022 11:47:21 GMT
ステータス: 処理完了
システム内更新日: 2022-11-27 13:16:10.520733
Title: Challenges in Gaussian Processes for Non Intrusive Load Monitoring
Title（参考訳）: 非侵入負荷モニタリングにおけるガウス過程の課題
Authors: Aadesh Desai, Gautam Vashishtha, Zeel B Patel, Nipun Batra
Abstract要約: 非侵入負荷モニタリング(NILM)またはエネルギー分散は、家庭の総エネルギー消費を構成機器に分解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(NN)はNILMの領域において顕著な進歩を遂げている。
参考スコア（独自算出の注目度）: 2.6839965970551276
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Non-intrusive load monitoring (NILM) or energy disaggregation aims to break down total household energy consumption into constituent appliances. Prior work has shown that providing an energy breakdown can help people save up to 15\% of energy. In recent years, deep neural networks (deep NNs) have made remarkable progress in the domain of NILM. In this paper, we demonstrate the performance of Gaussian Processes (GPs) for NILM. We choose GPs due to three main reasons: i) GPs inherently model uncertainty; ii) equivalence between infinite NNs and GPs; iii) by appropriately designing the kernel we can incorporate domain expertise. We explore and present the challenges of applying our GP approaches to NILM.
Abstract（参考訳）: 非侵入負荷モニタリング(NILM)またはエネルギー分散は、家庭の総エネルギー消費を構成機器に分解することを目的としている。以前の研究は、エネルギーの破壊によって最大15%のエネルギーを節約できることを示した。近年、深層ニューラルネットワーク(ディープnn)は、nilmの領域において著しい進歩を遂げている。本稿では,NILMにおけるガウス過程(GP)の性能について述べる。 3つの主な理由からGPを選択する。一 GPが本質的に不確実性をモデル化すること。二無限NNとGPの等価性三適切にカーネルを設計することにより、ドメインの専門知識を組み込むことができる。我々は, gp アプローチを nilm に適用する課題を探究し, 提示する。

関連論文リスト

Spiking Graph Neural Network on Riemannian Manifolds [51.15400848660023]
グラフニューラルネットワーク(GNN)は、グラフの学習において支配的なソリューションとなっている。既存のスパイク GNN はユークリッド空間のグラフを考慮し、構造幾何学を無視している。マニフォールド値スパイキングGNN(MSG)を提案する。 MSGは従来のGNNよりも優れた性能とエネルギー効率を実現している。
論文参考訳（メタデータ） (2024-10-23T15:09:02Z)
Neural Networks Asymptotic Behaviours for the Resolution of Inverse Problems [0.0]
本稿では,畳み込み逆問題に対するニューラルネットワーク(NN)手法の有効性について検討する。 NNのパラメータの非線形性を無視できるGaussian Processs(GP)に対応するNNの制限について検討する。格子上のモンテカルロ法でシミュレートされた量子調和振動子の場合、デコンボリューション逆問題に対処する。
論文参考訳（メタデータ） (2024-02-14T17:42:24Z)
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)
Spherical Inducing Features for Orthogonally-Decoupled Gaussian Processes [7.4468224549568705]
ガウス過程(GP)は、表現を学習する能力の欠如により、ディープニューラルネットワーク(NN)と比較されることがしばしばある。 GPとディープNNのギャップを埋める最近の試みは、新しいタイプのドメイン間変分GPを生み出し、誘導変数はフィードフォワードNNの隠れ単位に対応する。
論文参考訳（メタデータ） (2023-04-27T09:00:02Z)
Energy Regularized RNNs for Solving Non-Stationary Bandit Problems [97.72614340294547]
我々は、ニューラルネットワークが特定の行動を支持するのに自信過剰になるのを防ぐエネルギー用語を提案する。提案手法は,ロッティングバンドのサブプロブレムを解く方法と同じくらい有効であることを示す。
論文参考訳（メタデータ） (2023-03-12T03:32:43Z)
Sample-Then-Optimize Batch Neural Thompson Sampling [50.800944138278474]
我々はトンプソンサンプリング(TS)ポリシーに基づくブラックボックス最適化のための2つのアルゴリズムを提案する。入力クエリを選択するには、NNをトレーニングし、トレーニングされたNNを最大化してクエリを選択するだけです。我々のアルゴリズムは、大きなパラメータ行列を逆転する必要性を助長するが、TSポリシーの妥当性は保たれている。
論文参考訳（メタデータ） (2022-10-13T09:01:58Z)
Backward Reachability Analysis of Neural Feedback Loops: Techniques for Linear and Nonlinear Systems [59.57462129637796]
本稿では,ニューラルネットワークを用いた閉ループシステムの安全性検証のための後方到達性アプローチを提案する。フィードバックループにおけるNNの存在は、その活性化関数の非線形性や、NNモデルは一般に可逆的ではないため、ユニークな問題セットを示す。フィードフォワードNNで表される制御ポリシを持つ線形系と非線形系のBP過近似を計算するためのフレームワークを提案する。
論文参考訳（メタデータ） (2022-09-28T13:17:28Z)
Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
論文参考訳（メタデータ） (2022-09-16T06:36:06Z)
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)
Predicting the outputs of finite deep neural networks trained with noisy gradients [1.1470070927586014]
広深部ニューラルネットワーク(DNN)をガウス過程(GP)として近似して研究する最近の研究のシリーズ本稿では、雑音、重み減衰、有限幅を含むDNNトレーニングプロトコルについて考察する。その後、この非ガウス過程を分析するために解析的枠組みが導入され、GPからの偏差は有限幅で制御される。
論文参考訳（メタデータ） (2020-04-02T18:00:01Z)

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。