論文の概要: Adaptive Hoeffding Tree with Transfer Learning for Streaming Synchrophasor Data Sets

• arxiv url: http://arxiv.org/abs/2501.16354v1
• Date: Sun, 19 Jan 2025 21:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-02 08:21:46.326102
• Title: Adaptive Hoeffding Tree with Transfer Learning for Streaming Synchrophasor Data Sets
• Title（参考訳）: シンクロファサーデータセットのストリーム化のためのトランスファー学習を用いた適応型ホイフィング木
• Authors: Zakaria El Mrabet, Daisy Flora Selvaraj, Prakash Ranganathan,
• Abstract要約: 本稿では,ADWIN (THAT) 法で異常なシンクロファサーシグネチャを検出するトランスファー学習に基づくホイフィングツリーを提案する。 提案アルゴリズムはOzaBag法を用いて訓練および試験を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Synchrophasor technology or phasor measurement units (PMUs) are known to detect multiple type of oscillations or faults better than Supervisory Control and Data Acquisition (SCADA) systems, but the volume of Bigdata (e.g., 30-120 samples per second on a single PMU) generated by these sensors at the aggregator level (e.g., several PMUs) requires special handling. Conventional machine learning or data mining methods are not suitable to handle such larger streaming realtime data. This is primarily due to latencies associated with cloud environments (e.g., at an aggregator or PDC level), and thus necessitates the need for local computing to move the data on the edge (or locally at the PMU level) for processing. This requires faster real-time streaming algorithms to be processed at the local level (e.g., typically by a Field Programmable Gate Array (FPGA) based controllers). This paper proposes a transfer learning-based hoeffding tree with ADWIN (THAT) method to detect anomalous synchrophasor signatures. The proposed algorithm is trained and tested with the OzaBag method. The preliminary results with transfer learning indicate that a computational time saving of 0.7ms is achieved with THAT algorithm (0.34ms) over Ozabag (1.04ms), while the accuracy of both methods in detecting fault events remains at 94% for four signatures.
• Abstract（参考訳）: シンクロファサー技術(PMU)は、スーパーバイザ制御とデータ取得(SCADA)システムよりも優れた複数の振動や障害を検出することが知られているが、これらのセンサーによって生成されたビッグデータ(例えば、1つのPMUで毎秒30-120サンプル)の体積は、アグリゲータレベル(例えば、いくつかのPMU)で特別な処理を必要とする。 従来の機械学習やデータマイニングは、このような大きなストリーミングリアルタイムデータを扱うには適していない。 これは主に、クラウド環境(例えば、アグリゲータやPDCレベル)に関連付けられたレイテンシに起因するため、処理には、エッジ(あるいはPMUレベル)にデータを移動するためのローカルコンピューティングが必要である。 これは、ローカルレベル(典型的にはフィールドプログラマブルゲートアレイ(FPGA)ベースのコントローラ)で処理される、より高速なリアルタイムストリーミングアルゴリズムを必要とする。 本稿では,ADWIN (THAT) 法で異常なシンクロファサーシグネチャを検出するトランスファー学習に基づくホイフィングツリーを提案する。 提案アルゴリズムはOzaBag法を用いて訓練および試験を行う。 転送学習による予備的な結果は、Ozabag(1.04ms)上のTHATアルゴリズム(0.34ms)で0.7msの計算時間を節約できることを示している。

関連論文リスト

• 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)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Exploring Scalable, Distributed Real-Time Anomaly Detection for Bridge Health Monitoring [15.920402427606959]
  現代のリアルタイム構造健康モニタリングシステムは、かなりの量の情報を生成することができる。 現在のクラウドベースのソリューションは、数千の建物から生データを収集する必要がある場合、スケールできない。 本稿では、SHMシステムのための効率よくスケーラブルな異常検出パイプラインのフルスタック展開について述べる。
  論文  参考訳（メタデータ） (2022-03-04T15:37:20Z)
• Low Latency Real-Time Seizure Detection Using Transfer Deep Learning [0.0]
  スカルプ脳波(EEG)信号は本質的に低信号-雑音比を有する。 ディープラーニングを用いた発作検出における最も一般的なアプローチは、この情報を共同でモデル化したり、信号に複数のパスを必要とすることはない。 本稿では,マルチチャネル信号をグレースケール画像に変換すると同時に,転送学習を用いて高い性能を実現する。
  論文  参考訳（メタデータ） (2022-02-16T00:03:00Z)
• Asynchronous Parallel Incremental Block-Coordinate Descent for Decentralized Machine Learning [55.198301429316125]
  機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。 急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。 本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
  論文  参考訳（メタデータ） (2022-02-07T15:04:15Z)
• CFLOW-AD: Real-Time Unsupervised Anomaly Detection with Localization via Conditional Normalizing Flows [0.0]
  そこで本研究では,局所化による異常検出をリアルタイムに行うモデルを提案する。 CFLOW-ADは差別的に事前訓練されたエンコーダとマルチスケール生成デコーダから構成される。 MVTecデータセットを用いた実験により,CFLOW-ADは検出タスクで0.36%,AUROCで1.12%,AUPROで2.5%,従来の手法で0.36%,それぞれ優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-27T03:10:38Z)
• Turning Channel Noise into an Accelerator for Over-the-Air Principal Component Analysis [65.31074639627226]
  主成分分析(PCA)は、データセットの線形構造を抽出するための技術です。 勾配降下アルゴリズムに基づくマルチアクセスチャネル上にPCAを配置する手法を提案する。 オーバー・ザ・エア・アグリゲーションはマルチ・アクセスの遅延を減らすために採用され、オーバー・ザ・エア・PCAという名称を与える。
  論文  参考訳（メタデータ） (2021-04-20T16:28:33Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)
• Towards Efficient Scheduling of Federated Mobile Devices under Computational and Statistical Heterogeneity [16.069182241512266]
  本稿では,モバイルデバイス上での分散学習の実装について検討する。 チューニングノブとしてデータを使用し、異なるワークロードをスケジュールする2つの効率的な時間アルゴリズムを提案する。 一般的なベンチマークと比較すると,提案アルゴリズムはCIFAR10で2-100倍の高速化,2-7%の精度向上,収束率を100%以上達成している。
  論文  参考訳（メタデータ） (2020-05-25T18:21:51Z)

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。