論文の概要: Correlation-Driven Multi-Level Multimodal Learning for Anomaly Detection on Multiple Energy Sources

• arxiv url: http://arxiv.org/abs/2305.02323v1
• Date: Mon, 1 May 2023 13:27:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 18:22:45.036194
• Title: Correlation-Driven Multi-Level Multimodal Learning for Anomaly Detection on Multiple Energy Sources
• Title（参考訳）: 相関型マルチレベルマルチモーダル学習による複数エネルギー源の異常検出
• Authors: Taehee Kim and Hyuk-Yoon Kwon
• Abstract要約: 相関型マルチレベルマルチモーダル学習モデルを提案する。 提案モデルが既存のマルチモーダル学習と最近の時系列異常検出モデルより明らかに優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.278169800067465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced metering infrastructure (AMI) has been widely used as an intelligent energy consumption measurement system. Electric power was the representative energy source that can be collected by AMI; most existing studies to detect abnormal energy consumption have focused on a single energy source, i.e., power. Recently, other energy sources such as water, gas, and heating have also been actively collected. As a result, it is necessary to develop a unified methodology for anomaly detection across multiple energy sources; however, research efforts have rarely been made to tackle this issue. The inherent difficulty with this issue stems from the fact that anomalies are not usually annotated. Moreover, existing works of anomaly definition depend on only individual energy sources. In this paper, we first propose a method for defining anomalies considering not only individual energy sources but also correlations between them. Then, we propose a new Correlation-driven Multi-Level Multimodal Learning model for anomaly detection on multiple energy sources. The distinguishing property of the model incorporates multiple energy sources in multi-levels based on the strengths of the correlations between them. Furthermore, we generalize the proposed model in order to integrate arbitrary new energy sources with further performance improvement, considering not only correlated but also non-correlated sources. Through extensive experiments on real-world datasets consisting of three to five energy sources, we demonstrate that the proposed model clearly outperforms the existing multimodal learning and recent time-series anomaly detection models, and we observe that our model makes further the performance improvement as more correlated or non-correlated energy sources are integrated.
• Abstract（参考訳）: 高度計測インフラ(AMI)はインテリジェントエネルギー消費測定システムとして広く利用されている。 電力はamiによって収集できる代表的なエネルギー源であり、異常なエネルギー消費を検出する既存の研究のほとんどは単一のエネルギー源、すなわち電力に焦点を当てている。 近年, 水, ガス, 加熱などのエネルギー源も活発に収集されている。 その結果、複数のエネルギー源にまたがる異常検出のための統一的な手法を開発する必要があるが、この問題に取り組むための研究がほとんど行われていない。 この問題の本質的な難しさは、異常は通常アノテートされないという事実にある。 さらに、既存の異常定義は個々のエネルギー源のみに依存する。 本稿ではまず,個々のエネルギー源だけでなく,それらの相関も考慮し,異常を定義する手法を提案する。 次に,複数エネルギー源の異常検出のための相関型マルチレベルマルチモーダル学習モデルを提案する。 モデルの識別特性は、それらの相関の強さに基づいてマルチレベルに複数のエネルギー源を組み込む。 さらに,提案モデルを一般化し,相関性だけでなく非相関性も考慮し,任意の新エネルギー源とさらなる性能向上を両立させる。 3～5個のエネルギー源からなる実世界のデータセットを広範囲に実験した結果,提案モデルが既存のマルチモーダル学習および最近の時系列異常検出モデルよりも明らかに優れており,相関性や非相関性が高いエネルギー源の統合により,さらに性能の向上が期待できる。

関連論文リスト

• Learning Multimodal Latent Generative Models with Energy-Based Prior [3.6648642834198797]
  EBMに潜時生成モデルを統合する新しいフレームワークを提案する。 このアプローチは、より表現力があり、情報的であり、複数のモダリティにまたがる情報のより良いキャプチャをもたらす。
  論文  参考訳（メタデータ） (2024-09-30T01:38:26Z)
• Iterated Energy-based Flow Matching for Sampling from Boltzmann Densities [11.850515912491657]
  非正規化密度から連続正規化フロー(CNF)モデルをトレーニングするための反復エネルギーベースフローマッチング(iEFM)を提案する。 以上の結果から,iEFMは既存の手法よりも優れており,効率的でスケーラブルな確率的モデリングの可能性を示している。
  論文  参考訳（メタデータ） (2024-08-29T04:06:34Z)
• Demonstration of energy extraction gain from non-classical correlations [62.615368802619116]
  エンタングルメントは、制御可能な設定における抽出可能なエネルギーの量を支配していることを示す。 2ビットの資源状態の一致とフィードバックポリシの適用によるエネルギー抽出利得の両方を定量化することにより、情報とエネルギーの関連性を裏付ける。
  論文  参考訳（メタデータ） (2024-04-23T08:44:07Z)
• Improving Adversarial Energy-Based Model via Diffusion Process [25.023967485839155]
  対戦型EMMはミニマックストレーニングゲームを形成するジェネレータを導入する。 拡散モデルにインスパイアされた私たちは、長い過程をいくつかの小さなステップに分割するために、各デノイングステップにESMを組み込んだ。 本実験は, 既存の敵ESMと比較して, 世代が著しく改善したことを示す。
  論文  参考訳（メタデータ） (2024-03-04T01:33:53Z)
• CONTRAST: Continual Multi-source Adaptation to Dynamic Distributions [42.293444710522294]
  Continual Multi-source Adaptation to Dynamic Distributions (CONTRAST) は、複数のソースモデルを最適に組み合わせて動的テストデータに適応する新しい手法である。 提案手法は,ソースモデルを最適に組み合わせ,モデル更新の優先順位付けを最小限に行うことができることを示す。
  論文  参考訳（メタデータ） (2024-01-04T22:23:56Z)
• MultiView Independent Component Analysis with Delays [72.19163346293848]
  遅延を用いたマルチビュー独立成分分析(MVICAD)を提案する。 MVICADは、MultiView ICAモデルに基づいて、ソースをいくつかの共有ソースの遅延バージョンとして提供する。 ICAは神経科学でよく用いられるため、大規模脳磁図データセットであるCam-CANに適用した場合、レイテンシーは年齢に関連があることが示されている。
  論文  参考訳（メタデータ） (2023-12-01T10:33:16Z)
• On Feature Diversity in Energy-based Models [98.78384185493624]
  エネルギーベースモデル(EBM)は通常、異なる特徴の組み合わせを学習し、入力構成ごとにエネルギーマッピングを生成する内部モデルによって構成される。 EBMのほぼ正しい(PAC)理論を拡張し,EBMの性能に及ぼす冗長性低減の影響を解析した。
  論文  参考訳（メタデータ） (2023-06-02T12:30:42Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• Particle Dynamics for Learning EBMs [83.59335980576637]
  エネルギーベースモデリングは教師なし学習への有望なアプローチであり、単一のモデルから多くの下流アプリケーションを生み出す。 コントラスト的アプローチ(contrastive approach)"でエネルギーベースモデルを学習する際の主な困難は、各イテレーションで現在のエネルギー関数からサンプルを生成することである。 本稿では,これらのサンプルを取得し,現行モデルからの粗大なMCMCサンプリングを回避するための代替手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T23:41:07Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。