論文の概要: Unveiling Hidden Energy Anomalies: Harnessing Deep Learning to Optimize Energy Management in Sports Facilities

• arxiv url: http://arxiv.org/abs/2402.08742v1
• Date: Tue, 13 Feb 2024 19:27:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-15 18:12:18.858620
• Title: Unveiling Hidden Energy Anomalies: Harnessing Deep Learning to Optimize Energy Management in Sports Facilities
• Title（参考訳）: 隠れたエネルギー異常の解消:スポーツ施設におけるエネルギー管理を最適化するためのディープラーニング
• Authors: Fodil Fadli, Yassine Himeur, Mariam Elnour and Abbes Amira
• Abstract要約: スポーツ施設の異常検出における機械学習,特にディープラーニングの役割について検討する。 本稿では,Deep Feedforward Neural Networks (DFNN) を用いた問題定式化を行い,しきい値推定手法を提案する。 提案手法の有効性を評価するため, カタール大学における水文中心データセットの実験を行った。
• 参考スコア（独自算出の注目度）: 4.964511991616738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection in sport facilities has gained significant attention due to its potential to promote energy saving and optimizing operational efficiency. In this research article, we investigate the role of machine learning, particularly deep learning, in anomaly detection for sport facilities. We explore the challenges and perspectives of utilizing deep learning methods for this task, aiming to address the drawbacks and limitations of conventional approaches. Our proposed approach involves feature extraction from the data collected in sport facilities. We present a problem formulation using Deep Feedforward Neural Networks (DFNN) and introduce threshold estimation techniques to identify anomalies effectively. Furthermore, we propose methods to reduce false alarms, ensuring the reliability and accuracy of anomaly detection. To evaluate the effectiveness of our approach, we conduct experiments on aquatic center dataset at Qatar University. The results demonstrate the superiority of our deep learning-based method over conventional techniques, highlighting its potential in real-world applications. Typically, 94.33% accuracy and 92.92% F1-score have been achieved using the proposed scheme.
• Abstract（参考訳）: スポーツ施設における異常検出は省エネと運用効率の最適化の可能性から注目を集めている。 本稿では,スポーツ施設における異常検出における機械学習,特にディープラーニングの役割について検討する。 本研究は,従来の手法の欠点と限界に対処することを目的として,深層学習手法の課題と展望を考察する。 提案手法では,スポーツ施設で収集したデータから特徴抽出を行う。 本稿では、Deep Feedforward Neural Networks (DFNN) を用いて、異常を効果的に識別するためのしきい値推定手法を提案する。 さらに,誤報を低減し,異常検出の信頼性と精度を確保する手法を提案する。 本手法の有効性を評価するため,カタール大学水生センターデータセットを用いて実験を行った。 その結果、従来の手法よりも深層学習に基づく手法が優れていることを示し、実世界のアプリケーションにおけるその可能性を強調した。 通常、94.33%の精度と92.92%のf1-scoreが提案された。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Active Learning for Derivative-Based Global Sensitivity Analysis with Gaussian Processes [70.66864668709677]
  高価なブラックボックス関数のグローバル感度解析におけるアクティブラーニングの問題点を考察する。 関数評価は高価であるため,最も価値の高い実験資源の優先順位付けにアクティブラーニングを利用する。 本稿では,デリバティブに基づくグローバル感度測定の重要量を直接対象とする,新たな能動的学習獲得関数を提案する。
  論文  参考訳（メタデータ） (2024-07-13T01:41:12Z)
• Teaching with Uncertainty: Unleashing the Potential of Knowledge Distillation in Object Detection [47.0507287491627]
  本稿では,物体検出のための知識の不確実性を考慮した特徴量に基づく蒸留パラダイムを提案する。 モンテカルロのドロップアウト手法を利用して,学生モデルの学習過程に知識の不確実性を導入する。 本手法は,複雑な構造や計算資源を必要とせずに,KDプロセス中に効果的に機能する。
  論文  参考訳（メタデータ） (2024-06-11T06:51:02Z)
• Collaborative Knowledge Infusion for Low-resource Stance Detection [83.88515573352795]
  姿勢検出モデルを支援するために、ターゲット関連の知識がしばしば必要である。 低リソース姿勢検出タスクに対する協調的知識注入手法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T08:32:14Z)
• Event-Driven Learning for Spiking Neural Networks [43.17286932151372]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングの分野で注目されている。 バックプロパゲーション学習コストを最小限に抑えるために、SNNのスパースイベント駆動プロパティから効果的に利益を得るには、依然としてオープンな課題である。 本稿では,スパイクタイミング依存イベント駆動(STD-ED)アルゴリズムと膜電位依存イベント駆動(MPD-ED)アルゴリズムの2つの新しい学習手法を紹介する。
  論文  参考訳（メタデータ） (2024-03-01T04:17:59Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• Towards Robust Deep Learning using Entropic Losses [0.0]
  この論文は、新規な損失関数と検出スコアを提案することにより、未解決のアウト・オブ・ディストリビューション検出タスクに取り組む。 また、この頑健性に関連するタスクにも対処し、ディープニューラルネットワークによって提示される確率がどれほど現実的であるかを評価する。
  論文  参考訳（メタデータ） (2022-08-06T18:52:39Z)
• Explore, Discover and Learn: Unsupervised Discovery of State-Covering Skills [155.11646755470582]
  情報理論的スキル発見の代替手法として,'Explore, Discover and Learn'(EDL)がある。 本稿では,EDLがカバレッジ問題を克服し,学習スキルの初期状態への依存を減らし,ユーザが学習すべき行動について事前定義できるようにするなど,大きなメリットがあることを示す。
  論文  参考訳（メタデータ） (2020-02-10T10:49:53Z)

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。