論文の概要: Hawk: An Efficient NALM System for Accurate Low-Power Appliance Recognition
- arxiv url: http://arxiv.org/abs/2410.16293v1
- Date: Sun, 06 Oct 2024 11:26:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-27 05:40:41.926646
- Title: Hawk: An Efficient NALM System for Accurate Low-Power Appliance Recognition
- Title（参考訳）: Hawk: 高精度低消費電力アプライアンス認識のためのNALMシステム
- Authors: Zijian Wang, Xingzhou Zhang, Yifan Wang, Xiaohui Peng, Zhiwei Xu,
- Abstract要約: 非侵入的機器負荷モニタリング(NALM)は、室内センサーを使わずにメインメーターから個々の機器の使用を検知することを目的としている。
本稿では,データセット構築とイベント認識の2段階で動作する,効率的かつ正確なNALMシステムであるHawkを紹介する。
- 参考スコア（独自算出の注目度）: 10.114013064737236
- License:
- Abstract: Non-intrusive Appliance Load Monitoring (NALM) aims to recognize individual appliance usage from the main meter without indoor sensors. However, existing systems struggle to balance dataset construction efficiency and event/state recognition accuracy, especially for low-power appliance recognition. This paper introduces Hawk, an efficient and accurate NALM system that operates in two stages: dataset construction and event recognition. In the data construction stage, we efficiently collect a balanced and diverse dataset, HawkDATA, based on balanced Gray code and enable automatic data annotations via a sampling synchronization strategy called shared perceptible time. During the event recognition stage, our algorithm integrates steady-state differential pre-processing and voting-based post-processing for accurate event recognition from the aggregate current. Experimental results show that HawkDATA takes only 1/71.5 of the collection time to collect 6.34x more appliance state combinations than the baseline. In HawkDATA and a widely used dataset, Hawk achieves an average F1 score of 93.94% for state recognition and 97.07% for event recognition, which is a 47. 98% and 11. 57% increase over SOTA algorithms. Furthermore, selected appliance subsets and the model trained from HawkDATA are deployed in two real-world scenarios with many unknown background appliances. The average F1 scores of event recognition are 96.02% and 94.76%. Hawk's source code and HawkDATA are accessible at https://github.com/WZiJ/SenSys24-Hawk.
- Abstract（参考訳）: 非侵入的機器負荷モニタリング(NALM)は、室内センサーを使わずにメインメーターから個々の機器の使用を検知することを目的としている。
しかし、既存のシステムは、特に低消費電力のアプライアンス認識において、データセットの構築効率とイベント/状態認識の精度のバランスをとるのに苦労している。
本稿では,データセット構築とイベント認識の2段階で動作する,効率的かつ正確なNALMシステムであるHawkを紹介する。
データ構築段階では、バランスの取れたGrayコードに基づいて、バランスのとれた多様なデータセットであるHawkDATAを効率的に収集し、共有知覚時間と呼ばれるサンプリング同期戦略を介して自動データアノテーションを有効にする。
イベント認識段階において,本アルゴリズムは定常差分前処理と投票に基づく後処理を統合し,集約電流から正確なイベント認識を行う。
実験の結果、HawkDATAは収集時間の1/71.5しか必要とせず、ベースラインの6.34倍のアプライアンス状態の組み合わせを収集することがわかった。
ホークDATAと広く使われているデータセットでは、平均的なF1スコアは州認証では93.94%、イベント認識では97.07%であり、47である。
98%, 11。
57%増加した。
さらに、選択されたアプライアンスサブセットと、HawkDATAからトレーニングされたモデルが、多くの未知のバックグラウンドアプライアンスを備えた2つの現実シナリオにデプロイされる。
平均的なF1スコアは96.02%、94.76%である。
HawkのソースコードとHawkDATAはhttps://github.com/WZiJ/SenSys24-Hawk.comでアクセスできる。
関連論文リスト
- DailyDVS-200: A Comprehensive Benchmark Dataset for Event-Based Action Recognition [51.96660522869841]
DailyDVS-200は、イベントベースのアクション認識コミュニティに適したベンチマークデータセットである。
実世界のシナリオで200のアクションカテゴリをカバーし、47人の参加者によって記録され、22,000以上のイベントシーケンスで構成されている。
DailyDVS-200には14の属性がアノテートされており、記録されたアクションの詳細なキャラクタリゼーションが保証されている。
論文 参考訳（メタデータ） (2024-07-06T15:25:10Z) - Whole-body Detection, Recognition and Identification at Altitude and
Range [57.445372305202405]
多様なデータセットに基づいて評価したエンドツーエンドシステムを提案する。
我々のアプローチでは、一般的な画像データセットで検出器を事前トレーニングし、BRIARの複雑なビデオや画像でそれを微調整する。
屋内・屋外・航空シナリオにおける様々な範囲や角度の異なる条件下で徹底的な評価を行う。
論文 参考訳（メタデータ） (2023-11-09T20:20:23Z) - Improving CNN-based Person Re-identification using score Normalization [2.462953128215087]
本稿では,CNNに基づく特徴抽出手法とXQDA(Cross-view Quadratic Discriminant Analysis)を組み合わせたPRe-IDを提案する。
提案手法は、VIPeR、GRID、CUHK01、VIPeR、PRID450Sの4つの挑戦的データセットで検証される。
論文 参考訳（メタデータ） (2023-07-01T18:12:27Z) - A Dataset Fusion Algorithm for Generalised Anomaly Detection in
Homogeneous Periodic Time Series Datasets [0.0]
データセットフュージョン(Dataset Fusion)とは、複数の同種データセットからの周期的な信号を単一のデータセットに融合するアルゴリズムである。
提案手法は,平均F1スコア0.879で従来の訓練方法よりも有意に優れていた。
その結果、トレーニングデータの6.25%しか使用せず、計算能力の93.7%削減に換算すると、パフォーマンスは4.04%低下することがわかった。
論文 参考訳（メタデータ） (2023-05-14T16:24:09Z) - Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳（メタデータ） (2023-03-03T23:46:25Z) - Simplex Autoencoders [1.3960152426268768]
本稿では,オートエンコーダの潜伏空間を単純な表現としてモデル化し,混合モデルの成分数を決定する新しい手法を提案する。
合成データセットに対する我々のアプローチを評価し,その性能を3つのベンチマークデータセットで実証する。
論文 参考訳（メタデータ） (2023-01-16T15:57:03Z) - MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data
Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。
この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。
この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文 参考訳（メタデータ） (2022-09-22T16:44:59Z) - ALDI++: Automatic and parameter-less discord and outlier detection for
building energy load profiles [0.6606016007748989]
ユーザ定義パラメータをバイパスし,不協和性を利用したALDI++を開発する。
この結果から,ALDI++は勝率の6%を6倍の時間で予測し,最良な予測誤差を実現するのに有効であることがわかった。
論文 参考訳（メタデータ） (2022-03-13T10:39:11Z) - A Spike Learning System for Event-driven Object Recognition [8.875351982997554]
LiDARやダイナミックビジョンセンサー(DVS)などのイベント駆動センサは、高解像度および高速アプリケーションで注目を集めています。
本稿では,スパイキングニューラルネットワーク(SNN)を用いたスパイキング学習システムを提案する。
論文 参考訳（メタデータ） (2021-01-21T20:57:53Z) - Unsupervised Feature Learning for Event Data: Direct vs Inverse Problem
Formulation [53.850686395708905]
イベントベースのカメラは、ピクセルごとの明るさ変化の非同期ストリームを記録する。
本稿では,イベントデータからの表現学習のための単一層アーキテクチャに焦点を当てる。
我々は,最先端手法と比較して,認識精度が最大9%向上したことを示す。
論文 参考訳（メタデータ） (2020-09-23T10:40:03Z) - Federated Doubly Stochastic Kernel Learning for Vertically Partitioned
Data [93.76907759950608]
本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。
本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
論文 参考訳（メタデータ） (2020-08-14T05:46:56Z)
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。