Fugu-MT 論文翻訳(概要): Evolutionary Deep Nets for Non-Intrusive Load Monitoring

論文の概要: Evolutionary Deep Nets for Non-Intrusive Load Monitoring

arxiv url: http://arxiv.org/abs/2303.03538v1
Date: Mon, 6 Mar 2023 22:47:40 GMT
ステータス: 処理完了
システム内更新日: 2023-03-08 17:12:32.659485
Title: Evolutionary Deep Nets for Non-Intrusive Load Monitoring
Title（参考訳）: 非侵入負荷モニタリングのための進化的ディープネット
Authors: Jinsong Wang, Kenneth A. Loparo
Abstract要約: 非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、家庭内の個々の家電の電力消費を1つの集約単位で追跡するエネルギー効率モニタリング技術である。ディープ・ラーニング・アプローチは、デグレゲーションを操作するために実装されている。
参考スコア（独自算出の注目度）: 5.415995239349699
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Non-Intrusive Load Monitoring (NILM) is an energy efficiency technique to track electricity consumption of an individual appliance in a household by one aggregated single, such as building level meter readings. The goal of NILM is to disaggregate the appliance from the aggregated singles by computational method. In this work, deep learning approaches are implemented to operate the desegregations. Deep neural networks, convolutional neural networks, and recurrent neural networks are employed for this operation. Additionally, sparse evolutionary training is applied to accelerate training efficiency of each deep learning model. UK-Dale dataset is used for this work.
Abstract（参考訳）: 非侵入負荷モニタリング(non-intrusive load monitoring, nilm)は、住宅内の個々の家電の消費電力を、ビルレベルメータの読み取りなどの集約シングルで追跡するエネルギー効率技術である。 nilmの目標は、計算手法によってアプライアンスを集約シングルから分離することである。本研究では,デグレゲーションを操作するためにディープラーニングアプローチを実装した。この動作には、ディープニューラルネットワーク、畳み込みニューラルネットワーク、リカレントニューラルネットワークが使用される。さらに、各ディープラーニングモデルのトレーニング効率を加速するために、スパース進化的トレーニングが適用される。この作業にはUK-Daleデータセットが使用される。

関連論文リスト

Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning [51.386945803485084]
エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
論文参考訳（メタデータ） (2024-01-09T07:31:34Z)
Activity Sparsity Complements Weight Sparsity for Efficient RNN Inference [2.0822643340897273]
本研究では、繰り返しニューラルネットワークモデルにおいて、活動空間がパラメータ空間と乗算的に構成可能であることを示す。私たちはPenn Treebank言語モデリングタスクで60ドル以下の難易度を維持しながら、最大20ドルまで計算の削減を実現しています。
論文参考訳（メタデータ） (2023-11-13T08:18:44Z)
Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文参考訳（メタデータ） (2022-11-19T15:44:08Z)
Training Spiking Neural Networks with Local Tandem Learning [96.32026780517097]
スパイキングニューラルネットワーク(SNN)は、前者よりも生物学的に可塑性でエネルギー効率が高いことが示されている。本稿では,局所タンデム学習(Local Tandem Learning, LTL)と呼ばれる一般化学習規則を提案する。 CIFAR-10データセット上の5つのトレーニングエポック内に高速なネットワーク収束を示すとともに,計算複雑性が低い。
論文参考訳（メタデータ） (2022-10-10T10:05:00Z)
Learning Task-Aware Energy Disaggregation: a Federated Approach [1.52292571922932]
非侵入負荷監視(NILM)は、集約されたメーター測定に基づいて、個々のデバイスの消費電力プロファイルを見つけることを目的としている。しかし、そのような住宅負荷データセットの収集には、膨大な努力と顧客による計測データの共有の承認が必要である。 NILMタスクのための分散型・タスク適応型学習手法を提案し,タスク固有のモデルを総合的に学習するためのネスト型メタ学習とフェデレーション型学習ステップを設計する。
論文参考訳（メタデータ） (2022-04-14T05:53:41Z)
Can we learn gradients by Hamiltonian Neural Networks? [68.8204255655161]
本稿では,勾配を学習するODEニューラルネットワークに基づくメタラーナを提案する。提案手法は,LLUアクティベーションを最適化したMLMとMNISTデータセットにおいて,LSTMに基づくメタラーナーよりも優れていることを示す。
論文参考訳（メタデータ） (2021-10-31T18:35:10Z)
A Novel Hybrid Deep Learning Approach for Non-Intrusive Load Monitoring of Residential Appliance Based on Long Short Term Memory and Convolutional Neural Networks [0.0]
エネルギーの分解または非侵入負荷監視(NILM)は、単一入力ブラインド源の識別問題です。本稿では、畳み込みニューラルネットワーク(CNN)を併用したLSTM(Deep Recurrent long term memory)ネットワークによる電力分散の新しいアプローチを提案する。
論文参考訳（メタデータ） (2021-04-15T22:34:20Z)
Recurrent Neural Network Learning of Performance and Intrinsic Population Dynamics from Sparse Neural Data [77.92736596690297]
本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
論文参考訳（メタデータ） (2020-05-05T14:16:54Z)
Self-Organized Operational Neural Networks with Generative Neurons [87.32169414230822]
ONNは、任意の非線型作用素をカプセル化できる一般化されたニューロンモデルを持つ異種ネットワークである。我々は,各接続の結節演算子を適応(最適化)できる生成ニューロンを有する自己組織型ONN(Self-ONNs)を提案する。
論文参考訳（メタデータ） (2020-04-24T14:37:56Z)
A Deep Unsupervised Feature Learning Spiking Neural Network with Binarized Classification Layers for EMNIST Classification using SpykeFlow [0.0]
二成分アクティベーションを用いたスパイクタイミング依存塑性(STDP)の教師なし学習技術は、スパイク入力データから特徴を抽出するために用いられる。バランスの取れたEMNISTデータセットに対するアキュラシーは、他のアプローチと好意的に比較した。
論文参考訳（メタデータ） (2020-02-26T23:47:35Z)

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。