論文の概要: Multi-task and few-shot learning in virtual flow metering

• arxiv url: http://arxiv.org/abs/2309.15828v3
• Date: Tue, 16 Sep 2025 13:24:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.517737
• Title: Multi-task and few-shot learning in virtual flow metering
• Title（参考訳）: 仮想フロー計測におけるマルチタスクと数ショット学習
• Authors: Kristian Løvland, Bjarne Grimstad, Lars S. Imsland,
• Abstract要約: 本稿では,マルチユニットソフトセンシングのための確率的階層モデルについて定式化する。 80個の石油井戸用の仮想流量計を開発し,大規模産業事例を実証的に研究した。 我々は,多くの井戸から得られたデータから学習したマルチユニットモデルにより,新しい井戸の仮想フローメータを数ショットで学習できることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent literature has explored various ways to improve soft sensors by utilizing learning algorithms with transferability. A performance gain is generally attained when knowledge is transferred among strongly related soft sensor learning tasks. One setting where it is reasonable to expect strongly related tasks, is when learning soft sensors for separate process units that are of the same type. Applying methods that exploit transferability in this setting leads to what we call multi-unit soft sensing. This paper formulates a probabilistic, hierarchical model for multi-unit soft sensing. The model is implemented using a deep neural network. The proposed learning method is studied empirically on a large-scale industrial case by developing virtual flow meters (a type of soft sensor) for 80 petroleum wells. We investigate how the model generalizes with the number of wells/units. We demonstrate that multi-unit models learned from data from many wells permit few-shot learning of virtual flow meters for new wells. Surprisingly, regarding the difficulty of the tasks, few-shot learning on 1-3 data points often leads to high performance on new wells.
• Abstract（参考訳）: 近年の文献では、伝達性のある学習アルゴリズムを利用して、ソフトセンサーを改善する様々な方法が研究されている。 知識が強い関連性を持つソフトセンサー学習タスク間で伝達されると、一般的に性能向上が達成される。 強い関連するタスクを期待することが妥当な設定の一つは、同じタイプの別のプロセスユニットのためにソフトセンサーを学習する場合である。 この設定で転送可能性を利用する手法を適用すると、マルチユニットソフトセンシングと呼ばれるものになります。 本稿では,マルチユニットソフトセンシングのための確率的階層モデルについて定式化する。 このモデルはディープニューラルネットワークを用いて実装される。 提案手法は,80個の石油井を対象とした仮想流量計(ソフトセンサの一種)を開発し,大規模産業事例で実証研究を行った。 モデルがウェルズ/ユニットの数でどのように一般化するかを検討する。 我々は,多くの井戸から得られたデータから学習したマルチユニットモデルにより,新しい井戸の仮想フローメータを数ショットで学習できることを実証した。 驚くべきことに、タスクの難しさに関して、1-3データポイントでの少数ショット学習は、しばしば新しい井戸で高いパフォーマンスをもたらす。

関連論文リスト

• Transferring Graph Neural Networks for Soft Sensor Modeling using Process Topologies [0.0]
  複数の植物にまたがるソフトセンサモデルの伝達学習のためのグラフニューラルネットワークアプローチを提案する。 単位演算はノード,ストリームはエッジ,センサは属性として埋め込まれる。 ソフトセンサーモデルを、異なるトポロジを持つ未確認のプロセスに転送することに成功しました。
  論文  参考訳（メタデータ） (2025-02-05T12:10:22Z)
• A deep latent variable model for semi-supervised multi-unit soft sensing in industrial processes [0.0]
  半教師付きマルチユニットソフトセンシングのための潜時変動モデルを提案する。 この階層的で生成的なモデルは、ラベル付きデータとラベルなしデータの両方から学習するだけでなく、異なるユニットを共同でモデル化することができる。 半教師付き学習とマルチタスク学習を組み合わせることで,提案手法は優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-18T09:13:22Z)
• Machine Learning Based Compensation for Inconsistencies in Knitted Force Sensors [1.0742675209112622]
  編まれたセンサーは、オフセット、緩和、漂流といった自然現象によってしばしば不整合に悩まされる。 本稿では,最小人工ニューラルネットワーク(ANN)を用いて処理することで,これに対応する方法を示す。 合計8個のニューロンを持つ3層ANNをトレーニングすることにより,センサ読み取りとアクティベーション力のマッピングを大幅に改善する。
  論文  参考訳（メタデータ） (2023-06-21T09:19:33Z)
• Online Active Learning for Soft Sensor Development using Semi-Supervised Autoencoders [0.7734726150561089]
  データ駆動型ソフトセンサーは、産業や化学プロセスにおいて、ハード・トゥ・計測プロセスの変数を予測するために広く使われている。 アクティブな学習方法は、クエリに最も有意義なラベルを提案することができるため、非常に有益である。 本研究では,これらのアプローチのいくつかをストリームベースのシナリオに適用し,最も情報に富むデータポイントの選択にどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2022-12-26T09:45:41Z)
• Transfer Learning with Deep Tabular Models [66.67017691983182]
  上流データにより、グラフニューラルネットワークはGBDTモデルよりも決定的な優位性を示す。 そこで本研究では,表在化学習のための現実的な診断ベンチマークを提案する。 上流と下流の特徴セットが異なる場合の擬似特徴法を提案する。
  論文  参考訳（メタデータ） (2022-06-30T14:24:32Z)
• More to Less (M2L): Enhanced Health Recognition in the Wild with Reduced Modality of Wearable Sensors [18.947172818861773]
  複数のセンサーを融合することは、多くのアプリケーションで一般的なシナリオであるが、現実のシナリオでは必ずしも実現不可能であるとは限らない。 そこで本研究では,センサの小型化によるテスト性能向上のために,M2Lの少ない学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-16T18:23:29Z)
• Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
  RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。 畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。 提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
  論文  参考訳（メタデータ） (2022-02-15T17:38:30Z)
• Deep invariant networks with differentiable augmentation layers [87.22033101185201]
  データ拡張ポリシーの学習方法は、保持データを必要とし、二段階最適化の問題に基づいている。 我々のアプローチは、現代の自動データ拡張技術よりも訓練が簡単で高速であることを示す。
  論文  参考訳（メタデータ） (2022-02-04T14:12:31Z)
• Representation Learning for Remote Sensing: An Unsupervised Sensor Fusion Approach [0.0]
  本稿では,複数の情報源から得られたコヒーレンスデータを利用したコントラシティブ・センサ・フュージョンを提案し,それらの組み合わせのすべての有用な表現を学習する。 4700万枚のラベルのない画像三重項のデータセットを用いて、入力センサーから可能なチャネルの組み合わせから有意義な表現を生成するエンコーダを訓練する。 これらの表現は、リモートセンシング分類タスクにおいて、完全な教師付きイメージネット重みよりも優れ、より多くのセンサーが融合するにつれて改善される。
  論文  参考訳（メタデータ） (2021-08-11T08:32:58Z)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)
• Laplacian Denoising Autoencoder [114.21219514831343]
  本稿では,新しいタイプの自動符号化器を用いてデータ表現を学習することを提案する。 勾配領域における潜伏クリーンデータを破損させて雑音入力データを生成する。 いくつかのビジュアルベンチマークの実験では、提案されたアプローチでより良い表現が学べることが示されている。
  論文  参考訳（メタデータ） (2020-03-30T16:52:39Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。