論文の概要: Data Model Design for Explainable Machine Learning-based Electricity Applications

• arxiv url: http://arxiv.org/abs/2505.23607v1
• Date: Thu, 29 May 2025 16:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.97946
• Title: Data Model Design for Explainable Machine Learning-based Electricity Applications
• Title（参考訳）: 説明可能な機械学習に基づく電力応用のためのデータモデル設計
• Authors: Carolina Fortuna, Gregor Cerar, Blaz Bertalanic, Andrej Campa, Mihael Mohorcic,
• Abstract要約: 本稿では,エネルギー応用に関連する様々な種類のデータを特定し,構造する分類法を提案する。 本研究では, 4つの解釈可能な機械学習手法の予測精度に及ぼすドメイン, コンテキスト, 行動特性の影響について検討した。
• 参考スコア（独自算出の注目度）: 0.33554367023486936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The transition from traditional power grids to smart grids, significant increase in the use of renewable energy sources, and soaring electricity prices has triggered a digital transformation of the energy infrastructure that enables new, data driven, applications often supported by machine learning models. However, the majority of the developed machine learning models rely on univariate data. To date, a structured study considering the role meta-data and additional measurements resulting in multivariate data is missing. In this paper we propose a taxonomy that identifies and structures various types of data related to energy applications. The taxonomy can be used to guide application specific data model development for training machine learning models. Focusing on a household electricity forecasting application, we validate the effectiveness of the proposed taxonomy in guiding the selection of the features for various types of models. As such, we study of the effect of domain, contextual and behavioral features on the forecasting accuracy of four interpretable machine learning techniques and three openly available datasets. Finally, using a feature importance techniques, we explain individual feature contributions to the forecasting accuracy.
• Abstract（参考訳）: 従来の電力網からスマートグリッドへの移行、再生可能エネルギー源の使用の大幅な増加、そして電力価格の上昇は、新しいデータ駆動型アプリケーションでしばしば機械学習モデルに支えられるエネルギーインフラのデジタルトランスフォーメーションを引き起こした。 しかし、発達した機械学習モデルの大半は、単変量データに依存している。 これまでに, メタデータの役割と, 多変量データによる付加的な測定を考慮に入れた構造化研究が欠落している。 本稿では,エネルギー利用に関する様々な種類のデータを特定し,構造する分類法を提案する。 分類学は、機械学習モデルをトレーニングするためのアプリケーション固有のデータモデル開発をガイドするために使用することができる。 家庭電気予測の応用に着目し,様々なモデルの特徴の選択を導く上で,提案する分類学の有効性を検証した。 そこで我々は,4つの解釈可能な機械学習手法と3つの公開データセットの予測精度に及ぼすドメイン,文脈,行動特性の影響について検討した。 最後に,特徴重み付け手法を用いて,予測精度に対する個々の特徴の寄与を説明する。

関連論文リスト

• SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control [59.20038082523832]
  我々は、自動走行アプリケーションの改善を継続的に行う方法で、生成データ生産を拡大することが証明された最初のモデルであるSubjectDriveを提案する。 本研究では, 多様なデータを生成するために, 多様な外部データソースを活用可能な, 主観制御機構を備えた新しいモデルを開発する。
  論文  参考訳（メタデータ） (2024-03-28T14:07:13Z)
• Better, Not Just More: Data-Centric Machine Learning for Earth Observation [16.729827218159038]
  モデル中心の視点から補完的なデータ中心の視点へのシフトは、より正確性、一般化能力、そしてエンドユーザーアプリケーションへの影響を高めるために必要である。 本研究は、地理空間データに対する自動データ中心学習手法の正確な分類と概要と、その定義を提示する。
  論文  参考訳（メタデータ） (2023-12-08T19:24:05Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Machine learning applications for electricity market agent-based models: A systematic literature review [68.8204255655161]
  エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。 エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。 我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
  論文  参考訳（メタデータ） (2022-06-05T14:52:26Z)
• On Designing Data Models for Energy Feature Stores [0.5809784853115825]
  我々は、MLベースのエネルギーアプリケーションを開発するためのデータモデル、エネルギー特徴工学および特徴管理ソリューションについて研究する。 まず、エネルギー応用に適したデータモデルを設計するための分類法を提案し、データモデルをMLモデルトレーニングに適した機能に変換することのできる特徴工学的手法を解析し、最後に特徴記憶のための利用可能な設計も分析する。
  論文  参考訳（メタデータ） (2022-05-09T13:35:53Z)
• Concepts for Automated Machine Learning in Smart Grid Applications [0.2624902795082451]
  エネルギーシステムにおける機械学習手法の大規模適用は、専門家の知識の必要性によって損なわれている。 プロセス知識は、問題の形式化やモデルの検証、適用に必要です。 我々は、自動運転車のSAE標準に沿って、予測のための5つのレベルの自動化を定義する。
  論文  参考訳（メタデータ） (2021-10-26T11:34:41Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Short-Term Load Forecasting using Bi-directional Sequential Models and Feature Engineering for Small Datasets [6.619735628398446]
  本稿では,双方向逐次モデルに基づく短期負荷予測のためのディープラーニングアーキテクチャを提案する。 提案したアーキテクチャでは、生の入力と手作りの特徴を異なるレベルで訓練し、それぞれの出力を組み合わせて最終的な予測を行う。 提案手法の有効性は, 全く異なるパターンを持つ5カ国のデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-11-28T14:11:35Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)

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。