論文の概要: Non-Intrusive Load Monitoring with Missing Data Imputation Based on
Tensor Decomposition
- arxiv url: http://arxiv.org/abs/2403.07012v1
- Date: Sat, 9 Mar 2024 10:01:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 00:11:19.102997
- Title: Non-Intrusive Load Monitoring with Missing Data Imputation Based on
Tensor Decomposition
- Title(参考訳): テンソル分解に基づくミスデータ計算による非侵入負荷モニタリング
- Authors: DengYu Shi
- Abstract要約: 本稿では、非負の非負の潜在因子化(PNLFT)を組み込んだPID(Proportional-Integral-Derivative)の革新的完成モデルを提案する。
NILMデータの特徴を考慮すると、モデルの学習方式では非負の更新規則が提案される。
3つのデータセットの実験結果は、最先端モデルと比較して、提案モデルが収束速度と精度の両方において注目すべき拡張を示すことを示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the widespread adoption of Non-Intrusive Load Monitoring (NILM) in
building energy management, ensuring the high quality of NILM data has become
imperative. However, practical applications of NILM face challenges associated
with data loss, significantly impacting accuracy and reliability in energy
management. This paper addresses the issue of NILM data loss by introducing an
innovative tensor completion(TC) model- Proportional-Integral-Derivative
(PID)-incorporated Non-negative Latent Factorization of Tensors (PNLFT) with
twofold ideas: 1) To tackle the issue of slow convergence in Latent
Factorization of Tensors (LFT) using Stochastic Gradient Descent (SGD), a
Proportional-Integral-Derivative controller is introduced during the learning
process. The PID controller utilizes historical and current information to
control learning residuals. 2) Considering the characteristics of NILM data,
non-negative update rules are proposed in the model's learning scheme.
Experimental results on three datasets demonstrate that, compared to
state-of-the-art models, the proposed model exhibits noteworthy enhancements in
both convergence speed and accuracy.
- Abstract(参考訳): エネルギー管理における非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)の普及に伴い, NILMデータの高品質化が不可欠となった。
しかし、NILMの実践的な応用は、データ損失に関連する課題に直面し、エネルギー管理の精度と信頼性に大きな影響を及ぼす。
本稿では,2次元のアイデアを持つテンソル(pnlft)の比例積分型導出型(pid)-非負因数分解による革新的テンソル補完(tc)モデルを導入することで,nilmデータ損失問題に対処する。
1) 確率勾配降下(sgd)を用いたテンソルの潜在因子分解(lft)の遅い収束問題に対処するために, 学習過程中に比例積分型導出制御器を導入する。
PIDコントローラは、過去の情報と現在の情報を利用して学習残差を制御する。
2) NILMデータの特徴を考慮すると, モデル学習方式では非負の更新規則が提案される。
3つのデータセットの実験結果は、最先端モデルと比較して、提案モデルが収束速度と精度の両方において注目すべき拡張を示すことを示した。
関連論文リスト
- STAR: Constraint LoRA with Dynamic Active Learning for Data-Efficient
Fine-Tuning of Large Language Models [23.956842699977795]
我々は不確実性に基づくアクティブラーニングとLoRAを統合する新しい手法を提案する。
不確実性ギャップについて、ベースモデルの不確実性とフルモデルの不確実性を組み合わせた動的不確実性測定を導入する。
モデルのキャリブレーションが不十分な場合、LoRAトレーニング中に正規化手法を導入し、モデルが過度に信頼されないようにする。
論文 参考訳(メタデータ) (2024-03-02T10:38:10Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - Refining the ONCE Benchmark with Hyperparameter Tuning [45.55545585587993]
本研究は、ポイントクラウドデータに対する半教師付き学習アプローチの評価に焦点を当てる。
データアノテーションは、LiDARアプリケーションのコンテキストにおいて最も重要である。
従来の半教師付き手法による改善は,従来考えられていたほど深くない可能性が示唆された。
論文 参考訳(メタデータ) (2023-11-10T13:39:07Z) - FedDIP: Federated Learning with Extreme Dynamic Pruning and Incremental
Regularization [5.182014186927254]
大規模Deep Neural Networks(DNN)の分散トレーニングと推論にFL(Federated Learning)が成功している。
我々は、(i)動的プルーニングとエラーフィードバックを組み合わせて冗長な情報交換を排除する新しいFLフレームワーク(Coined FedDIP)にコントリビュートする。
我々は、FedDIPの収束解析と総合的な性能について報告し、最先端手法との比較評価を行う。
論文 参考訳(メタデータ) (2023-09-13T08:51:19Z) - Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。
よりスムーズな関数との補間により、より一般化できることを示す。
論文 参考訳(メタデータ) (2023-05-30T19:37:44Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - A Nonlinear PID-Enhanced Adaptive Latent Factor Analysis Model [6.2303427193075755]
高次元および不完全(HDI)データは、様々な産業応用において非常にインタラクティブな情報を保持する。
The Latent Factor (LF) model is significantly effective to extract valuable information from HDI data with proper gradient (SGD) algorithm。
SGDベースのLFAモデルは、現在の学習誤差のみを考慮するため、収束が遅い。
論文 参考訳(メタデータ) (2022-08-04T07:48:19Z) - Improving the Adversarial Robustness of NLP Models by Information
Bottleneck [112.44039792098579]
非破壊機能は敵によって容易に操作でき、NLPモデルを騙すことができる。
本研究では,情報ボトルネック理論を用いて,タスク固有のロバストな特徴を捕捉し,非ロバストな特徴を除去する可能性を検討する。
情報ボトルネックに基づく手法を用いてトレーニングしたモデルでは,ロバストな精度で大幅な改善が達成できることを示す。
論文 参考訳(メタデータ) (2022-06-11T12:12:20Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳(メタデータ) (2022-05-19T08:37:56Z) - PI-NLF: A Proportional-Integral Approach for Non-negative Latent Factor
Analysis [9.087387628717952]
非負潜在因子モデル(NLF)は、HDI行列に対する効率的な表現学習を行う。
PI-NLFモデルは、HDI行列の欠落データに対する計算効率と推定精度の両方において、最先端モデルよりも優れている。
論文 参考訳(メタデータ) (2022-05-05T12:04:52Z)
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。