論文の概要: Benchmarking Active Learning for NILM

• arxiv url: http://arxiv.org/abs/2411.15805v1
• Date: Sun, 24 Nov 2024 12:22:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:23:16.545203
• Title: Benchmarking Active Learning for NILM
• Title（参考訳）: NILMのためのベンチマークアクティブラーニング
• Authors: Dhruv Patel, Ankita Kumari Jain, Haikoo Khandor, Xhitij Choudhary, Nipun Batra,
• Abstract要約: 非侵入負荷モニタリング(NILM)は、家電固有の用途に家庭の電力消費を分散させることに焦点を当てている。 多くの高度なNILM法は、通常大量のラベル付きアプライアンスデータを必要とするニューラルネットワークに基づいている。 限られた住宅に家電モニターを選択的に設置するための能動的学習手法を提案する。
• 参考スコア（独自算出の注目度）: 2.896640219222859
• License:
• Abstract: Non-intrusive load monitoring (NILM) focuses on disaggregating total household power consumption into appliance-specific usage. Many advanced NILM methods are based on neural networks that typically require substantial amounts of labeled appliance data, which can be challenging and costly to collect in real-world settings. We hypothesize that appliance data from all households does not uniformly contribute to NILM model improvements. Thus, we propose an active learning approach to selectively install appliance monitors in a limited number of houses. This work is the first to benchmark the use of active learning for strategically selecting appliance-level data to optimize NILM performance. We first develop uncertainty-aware neural networks for NILM and then install sensors in homes where disaggregation uncertainty is highest. Benchmarking our method on the publicly available Pecan Street Dataport dataset, we demonstrate that our approach significantly outperforms a standard random baseline and achieves performance comparable to models trained on the entire dataset. Using this approach, we achieve comparable NILM accuracy with approximately 30% of the data, and for a fixed number of sensors, we observe up to a 2x reduction in disaggregation errors compared to random sampling.
• Abstract（参考訳）: 非侵入負荷モニタリング(NILM)は、家電固有の用途に家庭の電力消費を分散させることに焦点を当てている。 多くの高度なNILMメソッドは、通常、大量のラベル付きアプライアンスデータを必要とするニューラルネットワークに基づいている。 我々は,全世帯の家電データがNILMモデルの改善に一様に寄与しないという仮説を立てた。 そこで本研究では,限られた住宅に家電モニターを選択的に設置するための能動的学習手法を提案する。 この研究は、NILMのパフォーマンスを最適化するために、アプライアンスレベルのデータを戦略的に選択するためにアクティブラーニングを使用した最初のベンチマークである。 まず、NILMのための不確実性認識ニューラルネットワークを開発し、デアグリゲーション不確実性が最も高い家庭にセンサを設置する。 公開されているPecan Street Dataportデータセットをベンチマークし、我々の手法が標準のランダムベースラインを著しく上回り、データセット全体で訓練されたモデルに匹敵するパフォーマンスを達成することを実証した。 このアプローチを用いて、約30%のデータで同等のNILM精度を達成し、一定数のセンサに対して、ランダムサンプリングと比較して、分解誤差の最大2倍の減少を観測する。

関連論文リスト

• Preventing Non-intrusive Load Monitoring Privacy Invasion: A Precise Adversarial Attack Scheme for Networked Smart Meters [99.90150979732641]
  本稿では,敵攻撃に基づく革新的な手法を提案する。 このスキームは、NILMモデルがアプライアンスレベルのプライバシに違反するのを効果的に防ぎ、ユーザの正確な請求計算を確実にする。 提案手法はトランスファービリティを示し,他の様々なNILMモデルに適用可能な1つのターゲットモデルから発生する摂動信号を生成する。
  論文  参考訳（メタデータ） (2024-12-22T07:06:46Z)
• Reward-Augmented Data Enhances Direct Preference Alignment of LLMs [63.32585910975191]
  報奨条件付き大言語モデル(LLM)を導入し、データセット内の応答品質のスペクトル全体から学習する。 そこで本稿では,品質スコアに優先ペアを条件付け,報酬を加算したデータセットを構築する,効果的なデータレバーベリング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-10T16:01:51Z)
• Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data [5.460776507522276]
  非侵入負荷モニタリング(NILM)は、エネルギー意識を高め、エネルギープログラム設計のための貴重な洞察を提供する。 既存のNILM法は、しばしば高サンプリング複雑な信号データを取得するための特殊な装置に依存している。 そこで本研究では,12種類の機器の負荷分散を実現するために,容易にアクセス可能な気象データを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:04:49Z)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• How to Train Data-Efficient LLMs [56.41105687693619]
  事前学習言語モデル(LLM)に対するデータ効率のアプローチについて検討する。 Ask-LLMと密度サンプリングがそれぞれのカテゴリで最適であることがわかった。 何百もの評価タスクと事前学習作業を含む19個のサンプルを比較したところ,Ask-LLMと密度がそれぞれのカテゴリで最適な方法であることが判明した。
  論文  参考訳（メタデータ） (2024-02-15T02:27:57Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Non-Intrusive Load Monitoring (NILM) using Deep Neural Networks: A Review [0.0]
  非侵入負荷監視(Non-Inrusive Load Monitoring, NILM)は、総エネルギー消費プロファイルを個々の機器負荷プロファイルに分解する手法である。 機械学習やディープラーニングを含む様々な手法がNILMアルゴリズムの実装と改善に用いられてきた。 本稿では, 深層学習に基づく最近のNILM手法を概観し, 住宅負荷の最も正確な方法を紹介する。
  論文  参考訳（メタデータ） (2023-06-08T08:11:21Z)
• Learning Task-Aware Energy Disaggregation: a Federated Approach [1.52292571922932]
  非侵入負荷監視(NILM)は、集約されたメーター測定に基づいて、個々のデバイスの消費電力プロファイルを見つけることを目的としている。 しかし、そのような住宅負荷データセットの収集には、膨大な努力と顧客による計測データの共有の承認が必要である。 NILMタスクのための分散型・タスク適応型学習手法を提案し,タスク固有のモデルを総合的に学習するためのネスト型メタ学習とフェデレーション型学習ステップを設計する。
  論文  参考訳（メタデータ） (2022-04-14T05:53:41Z)
• Fed-NILM: A Federated Learning-based Non-Intrusive Load Monitoring Method for Privacy-Protection [0.1657441317977376]
  非侵入負荷監視(NILM)は、全負荷読み出しをアプライアンスレベルの負荷信号に分解する。 NILMを実現するためにディープラーニングベースの手法が開発されており、ディープニューラルネットワーク(DNN)のトレーニングには、さまざまな種類のアプライアンスを含む大量の負荷データが必要である。 負荷データが不十分だが有望なモデル性能を達成することを期待するローカルデータ所有者にとって、効果的なNILMコモデリングの導出はますます重要になっている。 潜在的なリスクを排除するため,Fed-NILM ap-plying Federated Learning (FL) と呼ばれる新しいNILM法を提案する。
  論文  参考訳（メタデータ） (2021-05-24T04:12:10Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• A Federated Learning Framework for Non-Intrusive Load Monitoring [0.1657441317977376]
  非侵入負荷モニタリング (NILM) は, 家庭用電力消費の総読み出しを家電製品に分解することを目的としている。 NILMデータを所有しているユーティリティやDNO間のデータ連携はますます重要になっている。 フェデレーションラーニング(FL)によるNILMのパフォーマンス向上のためのフレームワークが構築されました。
  論文  参考訳（メタデータ） (2021-04-04T14:24:50Z)

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。