論文の概要: Structural hierarchical learning for energy networks

• arxiv url: http://arxiv.org/abs/2302.03978v1
• Date: Wed, 8 Feb 2023 10:28:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 16:47:45.705098
• Title: Structural hierarchical learning for energy networks
• Title（参考訳）: エネルギーネットワークのための構造階層学習
• Authors: Julien Leprince, Waqas Khan, Henrik Madsen, Jan Kloppenborg M{\o}ller, Wim Zeiler
• Abstract要約: 本研究では,階層構造のトポロジ的構造にインスパイアされた,カスタムニューラルネットワークの設計について検討する。 その結果、データ制限のある環境では、コネクションが少ない構造モデルが全体として最高のパフォーマンスを発揮することが判明した。 全体として、この研究は構造的スケールの学習メカニズムの拡張により階層的な学習方法を拡張し、改善する。
• 参考スコア（独自算出の注目度）: 1.2599533416395767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many sectors nowadays require accurate and coherent predictions across their organization to effectively operate. Otherwise, decision-makers would be planning using disparate views of the future, resulting in inconsistent decisions across their sectors. To secure coherency across hierarchies, recent research has put forward hierarchical learning, a coherency-informed hierarchical regressor leveraging the power of machine learning thanks to a custom loss function founded on optimal reconciliation methods. While promising potentials were outlined, results exhibited discordant performances in which coherency information only improved hierarchical forecasts in one setting. This work proposes to tackle these obstacles by investigating custom neural network designs inspired by the topological structures of hierarchies. Results unveil that, in a data-limited setting, structural models with fewer connections perform overall best and demonstrate the coherency information value for both accuracy and coherency forecasting performances, provided individual forecasts were generated within reasonable accuracy limits. Overall, this work expands and improves hierarchical learning methods thanks to a structurally-scaled learning mechanism extension coupled with tailored network designs, producing a resourceful, data-efficient, and information-rich learning process.
• Abstract（参考訳）: 現在、多くの部門は、効果的に運営するために組織全体の正確で一貫性のある予測を必要としている。 さもなければ、意思決定者は未来に対する異なる見方を使って計画し、その結果、各部門で矛盾した決定を下すことになる。 階層間のコヒーレンシを確保するため、最近の研究では、最適調整法に基づくカスタム損失関数によって機械学習のパワーを活用する、コヒーレンシに準拠した階層レグレッサである階層学習が進められている。 有望なポテンシャルを概説する一方で,コヒーレンシー情報が階層的予測を1つの環境で改善した不一致性能を示した。 本研究は階層のトポロジカル構造に触発されたカスタムニューラルネットワークの設計を検討することにより,これらの障害に取り組むことを提案する。 その結果、データ制限された環境では、接続が少ない構造モデルが全体的なベストを尽くし、精度とコヒーレンシ予測性能の両方のコヒーレンシ情報値を示すことが判明した。 全体として、この研究は、構造化されたネットワーク設計と組み合わされた構造的スケールの学習メカニズムの拡張により、階層的な学習方法を拡張し、改善する。

関連論文リスト

• From Logits to Hierarchies: Hierarchical Clustering made Simple [16.132657141993548]
  事前訓練された非階層クラスタリングモデル上に実装された軽量なプロシージャは、階層クラスタリングに特化して設計されたモデルより優れていることを示す。 提案手法は,微調整を必要とせず,ログを出力する事前学習クラスタリングモデルに適用可能である。
  論文  参考訳（メタデータ） (2024-10-10T12:27:45Z)
• Exploiting Data Hierarchy as a New Modality for Contrastive Learning [0.0]
  この研究は、階層的に構造化されたデータが、ニューラルネットワークが大聖堂の概念的な表現を学ぶのにどのように役立つかを研究する。 基礎となるWikiScenesデータセットは、大聖堂の構成要素の空間的に整理された階層構造を提供する。 本稿では,エンコーダの潜伏空間におけるデータ空間階層を表現するために,三重項マージン損失を利用した新しい階層的コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T21:47:49Z)
• Homological Convolutional Neural Networks [4.615338063719135]
  本稿では,トポロジ的に制約されたネットワーク表現を通じて,データ構造構造を利用した新しいディープラーニングアーキテクチャを提案する。 5つの古典的な機械学習モデルと3つのディープラーニングモデルに対して、18のベンチマークデータセットでモデルをテストします。
  論文  参考訳（メタデータ） (2023-08-26T08:48:51Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• SLOTH: Structured Learning and Task-based Optimization for Time Series Forecasting on Hierarchies [16.12477042879166]
  階層時系列(HTS)予測には2つのサブタスク、すなわち予測と和解が含まれる。 本稿では,トップダウン・コンボリューションとボトムアップ・アテンション(ボトムアップ・アテンション)という,新しいツリーベース機能統合機構を提案する。 強い仮定を頼りにするか、一貫性のある制約のみにフォーカスする従来の和解法とは異なり、我々はディープ・ニューラル・オプティマイゼーション・ネットワークを利用する。
  論文  参考訳（メタデータ） (2023-02-11T10:50:33Z)
• Hierarchical learning, forecasting coherent spatio-temporal individual and aggregated building loads [1.3764085113103222]
  構造的インフォームド機械学習回帰器と階層的和解分類に基づく新しい多次元階層予測手法を提案する。 本手法は2つの異なるケーススタディを用いて電気的負荷の予測を行う。 全体として、本論文は従来の階層的予測手法を拡張・統一し、新しい世代の予測回帰器への肥大なルートを提供する。
  論文  参考訳（メタデータ） (2023-01-30T15:11:46Z)
• Learning Structures for Deep Neural Networks [99.8331363309895]
  我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。 スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。 公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-27T12:27:24Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Network Classifiers Based on Social Learning [71.86764107527812]
  空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。 提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。 この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
  論文  参考訳（メタデータ） (2020-10-23T11:18:20Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)

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。