論文の概要: Hybrid Transformer-RNN Architecture for Household Occupancy Detection
Using Low-Resolution Smart Meter Data
- arxiv url: http://arxiv.org/abs/2308.14114v1
- Date: Sun, 27 Aug 2023 14:13:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 16:44:07.097519
- Title: Hybrid Transformer-RNN Architecture for Household Occupancy Detection
Using Low-Resolution Smart Meter Data
- Title（参考訳）: 低解像度スマートメータデータを用いた家事事故検出のためのハイブリッドトランスフォーマー-RNNアーキテクチャ
- Authors: Xinyu Liang, Hao Wang
- Abstract要約: エネルギーシステムのデジタル化は、非侵襲的な方法で占有検知に使用できるスマートメーターデータを提供する。
ディープラーニング技術により、低解像度のスマートメーターデータから占有率を推定できる。
本研究は, 住宅の占有状況を検出するための, プライバシ意識と効果的なモデルを開発することを目的としている。
- 参考スコア（独自算出の注目度）: 8.486902848941872
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Residential occupancy detection has become an enabling technology in today's
urbanized world for various smart home applications, such as building
automation, energy management, and improved security and comfort.
Digitalization of the energy system provides smart meter data that can be used
for occupancy detection in a non-intrusive manner without causing concerns
regarding privacy and data security. In particular, deep learning techniques
make it possible to infer occupancy from low-resolution smart meter data, such
that the need for accurate occupancy detection with privacy preservation can be
achieved. Our work is thus motivated to develop a privacy-aware and effective
model for residential occupancy detection in contemporary living environments.
Our model aims to leverage the advantages of both recurrent neural networks
(RNNs), which are adept at capturing local temporal dependencies, and
transformers, which are effective at handling global temporal dependencies. Our
designed hybrid transformer-RNN model detects residential occupancy using
hourly smart meter data, achieving an accuracy of nearly 92\% across households
with diverse profiles. We validate the effectiveness of our method using a
publicly accessible dataset and demonstrate its performance by comparing it
with state-of-the-art models, including attention-based occupancy detection
methods.
- Abstract（参考訳）: 住宅の占有検知は、建物の自動化、エネルギー管理、セキュリティと快適性の改善など、スマートホームアプリケーションのための、今日の都市化の世界で実現可能な技術となっている。
エネルギーシステムのデジタル化は、プライバシーやデータセキュリティを心配することなく、非侵襲的な方法で占有検知に使用できるスマートメーターデータを提供する。
特に、ディープラーニング技術により、低解像度のスマートメーターデータから占有度を推定することができ、プライバシー保護による正確な占有度検出が可能である。
本研究は,現代生活環境における居住者検出のための,プライバシーを意識した効果的なモデルの構築を動機としている。
本モデルの目的は,局所的時間的依存関係をキャプチャするrecurrent neural network(rnn)と,グローバルな時間的依存関係の処理に有効なtransformerの2つの利点を活用することである。
我々の設計したハイブリッドトランス-RNNモデルは、時間ごとのスマートメーターデータを用いて住宅の占有度を検知し、多様なプロファイルを持つ家庭で92%近い精度を達成する。
提案手法の有効性を,注目度に基づく占有度検出手法を含む最先端モデルと比較することにより検証し,その性能を実証する。
関連論文リスト
- Re-pseudonymization Strategies for Smart Meter Data Are Not Robust to Deep Learning Profiling Attacks [9.061271587514215]
本稿では,再擬似化スマートメーターデータに対する,最初のディープラーニングベースのプロファイリング攻撃を提案する。
以上の結果から,繰り返し再擬音化戦略を逆転させることが可能であることが示唆された。
論文 参考訳（メタデータ） (2024-04-05T08:27:36Z) - Cross-Cluster Shifting for Efficient and Effective 3D Object Detection
in Autonomous Driving [69.20604395205248]
本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。
我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。
我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
論文 参考訳（メタデータ） (2024-03-10T10:36:32Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Shielding the Unseen: Privacy Protection through Poisoning NeRF with
Spatial Deformation [59.302770084115814]
本稿では,Neural Radiance Fields(NeRF)モデルの生成機能に対して,ユーザのプライバシを保護する革新的な手法を提案する。
我々の新しい中毒攻撃法は、人間の目では認識できないが、NeRFが正確に3Dシーンを再構築する能力を損なうのに十分強力である観察ビューの変化を誘発する。
我々は、高品質の画像を含む29の現実世界シーンからなる2つの共通のNeRFベンチマークデータセットに対して、我々のアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2023-10-04T19:35:56Z) - TeD-SPAD: Temporal Distinctiveness for Self-supervised
Privacy-preservation for video Anomaly Detection [59.04634695294402]
人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。
VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。
本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
論文 参考訳（メタデータ） (2023-08-21T22:42:55Z) - ABODE-Net: An Attention-based Deep Learning Model for Non-intrusive
Building Occupancy Detection Using Smart Meter Data [5.732496048593952]
業務情報は、建築セクターの効率的なエネルギー管理に有用である。
スマートメーターによって収集された高解像度の電力消費データにより、非侵襲的な方法で建物の占有状況を推定することができる。
本稿では,ABODE-Netとよばれる深層傾きモデルを提案する。
論文 参考訳（メタデータ） (2022-12-21T22:37:42Z) - Power Management in Smart Residential Building with Deep Learning Model
for Occupancy Detection by Usage Pattern of Electric Appliances [0.4987480084635553]
提案アルゴリズムは, 電化製品の技術情報を用いて95.798.4%の占有率検出を実現する。
電力消費量を11.113.1%に削減する。
論文 参考訳（メタデータ） (2022-09-23T11:02:45Z) - EnsembleNTLDetect: An Intelligent Framework for Electricity Theft
Detection in Smart Grid [0.0]
本稿では,堅牢でスケーラブルな電気盗難検出フレームワークであるEnsembleNTLDetectを紹介する。
一連の効率的なデータ前処理技術と機械学習モデルを使って、電気盗難を正確に検出する。
Conditional Generative Adversarial Network (CTGAN) は、堅牢なトレーニングを保証するためにデータセットを増強するために使用される。
論文 参考訳（メタデータ） (2021-10-09T08:19:03Z) - Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using
Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。
既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。
KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文 参考訳（メタデータ） (2021-10-07T02:28:18Z) - Avoiding Occupancy Detection from Smart Meter using Adversarial Machine
Learning [0.7106986689736826]
本稿では,アタックとしてAdversarial Machine Learning Occupancy Detection Avoidance (AMLODA) フレームワークを導入する。
基本的に、提案するプライバシー保護フレームワークは、リアルタイムまたはほぼリアルタイムの電力使用情報を隠すように設計されている。
以上の結果から,提案手法はユーザのプライバシを強く支持することを示す。
論文 参考訳（メタデータ） (2020-10-23T20:02:48Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-06-19T18:57:51Z)
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。