論文の概要: Distributed Multi-Head Learning Systems for Power Consumption Prediction

• arxiv url: http://arxiv.org/abs/2501.12133v1
• Date: Tue, 21 Jan 2025 13:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:21:19.867186
• Title: Distributed Multi-Head Learning Systems for Power Consumption Prediction
• Title（参考訳）: 消費電力予測のための分散マルチヘッド学習システム
• Authors: Jia-Hao Syu, Jerry Chun-Wei Lin, Philip S. Yu,
• Abstract要約: スマートファクトリにおける消費電力予測のための分散マルチヘッド学習(DMH)システムを提案する。 DMHシステムは分散および分割学習として設計され、クライアント間通信コストが削減される。 DMH-Eシステムは最先端システムのエラーを14.5%から24.0%削減する。
• 参考スコア（独自算出の注目度）: 59.293903039988884
• License:
• Abstract: As more and more automatic vehicles, power consumption prediction becomes a vital issue for task scheduling and energy management. Most research focuses on automatic vehicles in transportation, but few focus on automatic ground vehicles (AGVs) in smart factories, which face complex environments and generate large amounts of data. There is an inevitable trade-off between feature diversity and interference. In this paper, we propose Distributed Multi-Head learning (DMH) systems for power consumption prediction in smart factories. Multi-head learning mechanisms are proposed in DMH to reduce noise interference and improve accuracy. Additionally, DMH systems are designed as distributed and split learning, reducing the client-to-server transmission cost, sharing knowledge without sharing local data and models, and enhancing the privacy and security levels. Experimental results show that the proposed DMH systems rank in the top-2 on most datasets and scenarios. DMH-E system reduces the error of the state-of-the-art systems by 14.5% to 24.0%. Effectiveness studies demonstrate the effectiveness of Pearson correlation-based feature engineering, and feature grouping with the proposed multi-head learning further enhances prediction performance.
• Abstract（参考訳）: 自動走行車が増えていくにつれて、作業スケジューリングやエネルギー管理において消費電力予測が重要な問題となっている。 ほとんどの研究は交通機関における自動車両に焦点を当てているが、複雑な環境に直面し、大量のデータを生成するスマートファクトリーにおける自動地上車両(AGV)にはほとんど焦点を当てていない。 機能の多様性と干渉には必然的なトレードオフがあります。 本稿では,スマートファクトリにおける消費電力予測のための分散マルチヘッド学習(DMH)システムを提案する。 DMHではノイズ干渉の低減と精度向上のためにマルチヘッド学習機構が提案されている。 さらに、DMHシステムは分散および分割学習として設計され、クライアント間通信コストを削減し、ローカルデータやモデルを共有することなく知識を共有する。 実験の結果,提案したDMHシステムは,ほとんどのデータセットやシナリオにおいて上位2位にランクされていることがわかった。 DMH-Eシステムは最先端システムのエラーを14.5%から24.0%削減する。 有効性研究はピアソン相関に基づく特徴工学の有効性を示し、提案したマルチヘッド学習による特徴グループ化は予測性能をさらに向上させる。

関連論文リスト

• STLLM-DF: A Spatial-Temporal Large Language Model with Diffusion for Enhanced Multi-Mode Traffic System Forecasting [32.943673568195315]
  マルチタスク輸送予測を改善するため,時空間大言語モデル(STLLM-DF)を提案する。 DDPMの堅牢なdenoising機能により、ノイズの多い入力から基盤となるデータパターンを復元することができる。 STLLM-DFは既存のモデルより一貫して優れており,MAEでは平均2.40%,RMSEでは4.50%,MAPEでは1.51%の削減を実現している。
  論文  参考訳（メタデータ） (2024-09-08T15:29:27Z)
• Decentralized Multimedia Data Sharing in IoV: A Learning-based Equilibrium of Supply and Demand [57.82021900505197]
  インターネット・オブ・ビークルズ(IoV)は、道路の安全性を高め、交通渋滞を軽減し、インフォテインメントアプリケーションを通じてユーザーエクスペリエンスを向上させることにより、交通システムを変革する大きな可能性を秘めている。 分散データ共有は、セキュリティ、プライバシ、信頼性を改善し、IoVにおけるインフォテインメントデータの共有を容易にする。 市場における需給バランスを学習するための多知能強化学習に基づく分散型データ共有インセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2024-03-29T14:58:28Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• A Robust Deep Learning System for Motor Bearing Fault Detection: Leveraging Multiple Learning Strategies and a Novel Double Loss Function [0.7028311157445256]
  モータ軸受故障検出(MBFD)は、産業機械の信頼性と運転効率を維持するために重要である。 本稿では,教師付き,半教師付き,教師なしの学習を含む複数の学習戦略を取り入れた,MBFDのための堅牢な深層学習システムを提案する。 提案手法は, 機械的破壊防止技術協会(T), ケース・ウェスタン・リザーブ大学ベアリングセンター(CWRU), パダーボーン大学の電気機械駆動システム(PU)における軸受損傷の条件モニタリングによる評価を行った。
  論文  参考訳（メタデータ） (2023-10-17T07:50:52Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• The Power of Communication in a Distributed Multi-Agent System [0.0]
  単エージェント(SA)強化学習システムでは,非定常問題に対する優れた再侮辱が示されてきた。 MARL(Multi-Agent Reinforcement Learning)は、SAシステム全般とスケーリングにおいて、SAシステムを上回ることができる。
  論文  参考訳（メタデータ） (2021-11-30T18:00:58Z)
• An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning [50.85048976506701]
  本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。 バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
  論文  参考訳（メタデータ） (2021-11-13T15:03:44Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)

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。