論文の概要: Towards Sustainable Deep Learning for Multi-Label Classification on NILM
- arxiv url: http://arxiv.org/abs/2307.09244v1
- Date: Tue, 18 Jul 2023 13:23:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 14:44:28.697700
- Title: Towards Sustainable Deep Learning for Multi-Label Classification on NILM
- Title(参考訳): NILMを用いた複数ラベル分類のための持続的深層学習に向けて
- Authors: An\v{z}e Pirnat, Bla\v{z} Bertalani\v{c}, Gregor Cerar, Mihael
Mohor\v{c}i\v{c} and Carolina Fortuna
- Abstract要約: 非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、単一計測点からアプライアンスレベルのデータを取得するプロセスである。
本稿では,NILMのマルチラベル分類を改良した新しいDLモデルを提案する。
最先端モデルと比較して、提案モデルではカーボンフットプリントを23%以上削減し、平均8ポイントの性能向上を実現している。
- 参考スコア(独自算出の注目度): 0.5809784853115825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-intrusive load monitoring (NILM) is the process of obtaining
appliance-level data from a single metering point, measuring total electricity
consumption of a household or a business. Appliance-level data can be directly
used for demand response applications and energy management systems as well as
for awareness raising and motivation for improvements in energy efficiency and
reduction in the carbon footprint. Recently, classical machine learning and
deep learning (DL) techniques became very popular and proved as highly
effective for NILM classification, but with the growing complexity these
methods are faced with significant computational and energy demands during both
their training and operation. In this paper, we introduce a novel DL model
aimed at enhanced multi-label classification of NILM with improved computation
and energy efficiency. We also propose a testing methodology for comparison of
different models using data synthesized from the measurement datasets so as to
better represent real-world scenarios. Compared to the state-of-the-art, the
proposed model has its carbon footprint reduced by more than 23% while
providing on average approximately 8 percentage points in performance
improvement when testing on data derived from REFIT and UK-DALE datasets.
- Abstract(参考訳): 非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)とは、家庭や事業の総消費電力を計測し、単一の計測点からアプライアンスレベルのデータを取得するプロセスである。
アプライアンスレベルのデータは、需要対応アプリケーションやエネルギー管理システム、および、エネルギー効率の改善と炭素フットプリントの削減に対する意識向上とモチベーションに直接使用することができる。
近年、古典的機械学習と深層学習(dl)技術が広く普及し、nilm分類に非常に効果的であることが証明されているが、複雑さが増すにつれて、これらの手法は訓練と運用の両方において重要な計算能力とエネルギー需要に直面している。
本稿では,nilmのマルチラベル分類を改良し,計算効率とエネルギー効率を向上した新しいdlモデルを提案する。
また,実世界のシナリオをよりよく表現するために,測定データセットから合成したデータを用いて異なるモデルを比較するテスト手法を提案する。
最先端のモデルと比較して、提案モデルでは炭素フットプリントを23%以上削減し、REFITとUK-DALEデータセットから得られたデータをテストする場合、平均8ポイントの性能向上を実現している。
関連論文リスト
- Evaluating the Energy Efficiency of Few-Shot Learning for Object
Detection in Industrial Settings [6.611985866622974]
本稿では、下流タスクに標準オブジェクト検出モデルを適用するための微調整手法を提案する。
開発モデルにおけるエネルギー需要のケーススタディと評価について述べる。
最後に、このトレードオフを、カスタマイズされた効率係数測定によって定量化する新しい方法を紹介する。
論文 参考訳(メタデータ) (2024-03-11T11:41:30Z) - Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。
Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。
レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
論文 参考訳(メタデータ) (2023-07-19T01:05:33Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳(メタデータ) (2023-07-01T15:18:00Z) - Non-Intrusive Load Monitoring (NILM) using Deep Neural Networks: A
Review [0.0]
非侵入負荷監視(Non-Inrusive Load Monitoring, NILM)は、総エネルギー消費プロファイルを個々の機器負荷プロファイルに分解する手法である。
機械学習やディープラーニングを含む様々な手法がNILMアルゴリズムの実装と改善に用いられてきた。
本稿では, 深層学習に基づく最近のNILM手法を概観し, 住宅負荷の最も正確な方法を紹介する。
論文 参考訳(メタデータ) (2023-06-08T08:11:21Z) - 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) - Efficient training of lightweight neural networks using Online
Self-Acquired Knowledge Distillation [51.66271681532262]
オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。
出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
論文 参考訳(メタデータ) (2021-08-26T14:01:04Z) - Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。
近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。
我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
論文 参考訳(メタデータ) (2021-08-02T03:56:35Z) - Energy-Efficient and Federated Meta-Learning via Projected Stochastic
Gradient Ascent [79.58680275615752]
エネルギー効率のよいメタラーニングフレームワークを提案する。
各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
論文 参考訳(メタデータ) (2021-05-31T08:15:44Z) - Energy Disaggregation using Variational Autoencoders [11.940343835617046]
非侵入負荷モニタリング(NILM)は、単一のセンサーを使用して建物の総電力消費量を測定する技術です。
最近の分散アルゴリズムは、NILMシステムの性能を大幅に改善した。
本稿では,変分オートエンコーダ(VAE)フレームワークに基づくエネルギー分散手法を提案する。
論文 参考訳(メタデータ) (2021-03-22T20:53:36Z) - A Comprehensive Review on the NILM Algorithms for Energy Disaggregation [0.0]
非侵入負荷モニタリング(NILM)またはエネルギー分散は、集合レベルで測定された家庭用エネルギーを構成機器に分離することを目的としている。
本稿では、効果的なNILMシステムフレームワークの調査を行い、ベンチマークアルゴリズムのパフォーマンスをレビューする。
論文 参考訳(メタデータ) (2021-02-20T23:53:57Z) - Energy-Based Reranking: Improving Neural Machine Translation Using
Energy-Based Models [59.039592890187144]
自己回帰型ニューラルネットワーク翻訳(NMT)における最大推定(MLE)とBLEUスコアなどのタスク尺度の相違について検討する。
MLEベースのトレーニングされたNMTから引き出されたサンプルは、所望の分布をサポートします。ビーム復号出力と比較して、BLEUスコアがはるかに高いサンプルがあります。
目的文の辺縁エネルギーモデルと、目的文の辺縁エネルギーモデルの両方を用いてアルゴリズムを改良する。
論文 参考訳(メタデータ) (2020-09-20T02:50:52Z)
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。