Fugu-MT 論文翻訳(概要): Energy Prediction using Federated Learning

論文の概要: Energy Prediction using Federated Learning

arxiv url: http://arxiv.org/abs/2301.09165v1
Date: Sun, 22 Jan 2023 17:21:00 GMT
ステータス: 処理完了
システム内更新日: 2023-01-24 14:47:27.895801
Title: Energy Prediction using Federated Learning
Title（参考訳）: 連合学習によるエネルギー予測
Authors: Meghana Bharadwaj and Sanjana Sarda
Abstract要約: 特定ネットワーク内の全家庭におけるエネルギー消費とソーラー生産の予測にフェデレート学習を用いることの可能性を実証する。また,個人消費エネルギーデータの共有を必要とせず,時間とともに予測性能が向上することを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we demonstrate the viability of using federated learning to successfully predict energy consumption as well as solar production for all households within a certain network using low-power and low-space consuming embedded devices. We also demonstrate our prediction performance improving over time without the need for sharing private consumer energy data. We simulate a system with four nodes using data for one year to show this.
Abstract（参考訳）: 本研究では,低消費電力・低空間消費型組込みデバイスを用いて,特定のネットワーク内の全世帯のエネルギー消費と太陽発電を良好に予測するために,フェデレーション学習を有効活用できることを実証する。また,個人のエネルギーデータを共有することなく,時間とともに予測性能が向上することを示す。データを用いて4つのノードを持つシステムを1年間シミュレーションして示す。

関連論文リスト

TinyML NLP Approach for Semantic Wireless Sentiment Classification [49.801175302937246]
本稿では,エネルギー効率のよいプライバシ保護型小型機械学習(MLTiny)方式としてスプリットラーニング(SL)を導入する。その結果,SLは高い精度を維持しながら処理能力とCO2排出量を低減し,FLは効率とプライバシのバランスのとれた妥協を提供することがわかった。
論文参考訳（メタデータ） (2024-11-09T21:26:59Z)
Just In Time Transformers [2.7350304370706797]
JITtransは,エネルギー消費予測精度を大幅に向上させる,トランスフォーマー深層学習モデルである。本研究は, エネルギー管理を革新し, 持続可能な電力システムを構築するための先進的な予測技術の可能性を明らかにするものである。
論文参考訳（メタデータ） (2024-10-22T10:33:00Z)
Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文参考訳（メタデータ） (2023-08-08T04:52:19Z)
FedTrees: A Novel Computation-Communication Efficient Federated Learning Framework Investigated in Smart Grids [8.437758224218648]
次世代のスマートメーターは、エネルギー消費データの測定、記録、および報告に使用することができる。 FedTreesは、アンサンブル学習の際立った特徴の恩恵を受ける、新しくて軽量なFLフレームワークである。
論文参考訳（メタデータ） (2022-09-30T19:47:46Z)
Exploring Deep Reinforcement Learning-Assisted Federated Learning for Online Resource Allocation in EdgeIoT [53.68792408315411]
フェデレートラーニング(FL)は、モバイルエッジコンピューティングベースのInternet of Thing(EdgeIoT)における盗聴攻撃からデータトレーニングプライバシを保護するために、ますます検討されている。本研究では,連続領域における最適精度とエネルギー収支を達成するために,FLDLT3フレームワークを提案する。その結果、FL-DLT3は100回未満の高速収束を実現し、FLの精度-エネルギー消費比は既存の最先端ベンチマークと比較して51.8%向上した。
論文参考訳（メタデータ） (2022-02-15T13:36:15Z)
XGBoost energy consumption prediction based on multi-system data HVAC [0.2519906683279153]
本稿では,XGBoostを用いて大規模データセットから特徴を抽出し,複数のモデルを得るために個別に訓練し,MAEを用いてLightGBMの独立予測結果と融合する。このモデルを自己開発型のInternet of Thingsプラットフォームに適用することに成功した。
論文参考訳（メタデータ） (2021-05-20T18:41:17Z)
A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文参考訳（メタデータ） (2021-03-18T16:04:42Z)
To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文参考訳（メタデータ） (2020-12-22T02:54:18Z)
Privacy Preserving Demand Forecasting to Encourage Consumer Acceptance of Smart Energy Meters [4.769747792846004]
スマートメーターの設置に関する消費者の大きな懸念を和らげるために、エネルギー需要予測のプライバシー保護の必要性を強調します。高解像度のスマートメーターデータは、占有、習慣、個々の家電の使用など、消費者の家庭の多くのプライベートな側面を露呈することができる。本研究では,負荷予測を可能にするために,様々な規模でのエネルギー需要予測にフェデレーション学習と呼ばれる分散機械学習の応用を提案する。
論文参考訳（メタデータ） (2020-12-14T12:04:34Z)
Energy Disaggregation with Semi-supervised Sparse Coding [0.0]
エネルギー分解研究は、集約されたエネルギー消費データを部品機器に分解することを目的としている。本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。
論文参考訳（メタデータ） (2020-04-20T21:05:25Z)
Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文参考訳（メタデータ） (2020-01-31T05:12:59Z)

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。