論文の概要: DiffLoad: Uncertainty Quantification in Load Forecasting with Diffusion
Model
- arxiv url: http://arxiv.org/abs/2306.01001v1
- Date: Wed, 31 May 2023 05:04:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 18:52:02.593562
- Title: DiffLoad: Uncertainty Quantification in Load Forecasting with Diffusion
Model
- Title(参考訳): DiffLoad: 拡散モデルによる負荷予測の不確実性定量化
- Authors: Zhixian Wang, Qingsong Wen, Chaoli Zhang, Liang Sun, and Yi Wang
- Abstract要約: 拡散型Seq2seq構造を用いて不確かさを推定し,ロバストな加法コーシー分布を用いて不確かさを推定する。
本稿では,2種類の不確かさを分離し,ミュータントシナリオに対処する手法の能力を実証する。
- 参考スコア(独自算出の注目度): 12.88316010799637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrical load forecasting is of great significance for the decision makings
in power systems, such as unit commitment and energy management. In recent
years, various self-supervised neural network-based methods have been applied
to electrical load forecasting to improve forecasting accuracy and capture
uncertainties. However, most current methods are based on Gaussian likelihood
methods, which aim to accurately estimate the distribution expectation under a
given covariate. This kind of approach is difficult to adapt to situations
where temporal data has a distribution shift and outliers. In this paper, we
propose a diffusion-based Seq2seq structure to estimate epistemic uncertainty
and use the robust additive Cauchy distribution to estimate aleatoric
uncertainty. Rather than accurately forecasting conditional expectations, we
demonstrate our method's ability in separating two types of uncertainties and
dealing with the mutant scenarios.
- Abstract(参考訳): 電気負荷予測は、単位コミットメントやエネルギー管理などの電力系統における意思決定において非常に重要である。
近年,電気負荷予測に様々な自己教師付きニューラルネットワークが適用され,予測精度の向上と不確かさの把握が図られている。
しかし、現在のほとんどの手法は、与えられた共変量の下で分布予測を正確に推定することを目的としたガウス的可能性法に基づいている。
このようなアプローチは、時間的データが分布シフトと外れ値を持つ状況に適応するのは困難である。
本稿では,認識的不確かさを推定するための拡散ベースのseq2seq構造を提案し,強固な付加的コーシー分布を用いてアレエータ的不確かさを推定する。
条件付き期待値を正確に予測するのではなく, 2種類の不確かさを分離し, ミュータントシナリオに対処する手法の能力を示す。
関連論文リスト
- Quantifying Aleatoric and Epistemic Uncertainty with Proper Scoring Rules [19.221081896134567]
不確実性表現と定量化は機械学習において最重要である。
本稿では,適切なスコアリングルールに基づいて,アレータリックおよび(現状)不確実性の定量化のための尺度を提案する。
論文 参考訳(メタデータ) (2024-04-18T14:20:19Z) - Identifying Drivers of Predictive Uncertainty using Variance Feature
Attribution [2.765106384328772]
変数特徴属性は、予測的アレタリック不確実性を説明するための単純でスケーラブルなソリューションである。
提案手法は,確立されたベースラインCLUEよりも,不確実性の影響を確実かつ高速に説明できることを示す。
我々の説明は笑い線のような不確実性の原因を浮き彫りにする。
論文 参考訳(メタデータ) (2023-12-12T13:28:53Z) - Second-Order Uncertainty Quantification: A Distance-Based Approach [11.539320505465149]
本稿では,2次分布に基づく予測不確実性に対する有意義な不確実性尺度が従うべきという形式的基準を提案する。
これらの基準を考慮に入れた不確実性対策を開発するための一般的な枠組みを提供し、ワッサーシュタイン距離に基づくインスタンス化を提供する。
論文 参考訳(メタデータ) (2023-12-02T01:21:41Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳(メタデータ) (2023-08-03T12:43:21Z) - Integrating Uncertainty into Neural Network-based Speech Enhancement [27.868722093985006]
時間周波数領域における監視されたマスキングアプローチは、ディープニューラルネットワークを使用して乗法マスクを推定し、クリーンな音声を抽出することを目的としている。
これにより、信頼性の保証や尺度を使わずに、各入力に対する単一の見積もりが導かれる。
クリーン音声推定における不確実性モデリングの利点について検討する。
論文 参考訳(メタデータ) (2023-05-15T15:55:12Z) - Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究では,交通予測の不確かさの定量化に焦点をあてる。
STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
論文 参考訳(メタデータ) (2022-08-11T15:21:53Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳(メタデータ) (2021-11-22T08:54:10Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳(メタデータ) (2021-10-13T01:23:48Z) - DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。
一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文 参考訳(メタデータ) (2021-02-16T23:50:35Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳(メタデータ) (2020-12-05T17:30:35Z) - Uncertainty quantification for nonconvex tensor completion: Confidence
intervals, heteroscedasticity and optimality [92.35257908210316]
本研究では,不完全かつ破損した観測によって与えられる低ランクテンソルを推定する問題について検討する。
改善不可能なレートをell-2$の精度で達成できることが分かりました。
論文 参考訳(メタデータ) (2020-06-15T17:47:13Z)
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。