論文の概要: NFISiS: New Perspectives on Fuzzy Inference Systems for Renewable Energy Forecasting

• arxiv url: http://arxiv.org/abs/2506.06285v3
• Date: Wed, 25 Jun 2025 22:00:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 15:38:00.233222
• Title: NFISiS: New Perspectives on Fuzzy Inference Systems for Renewable Energy Forecasting
• Title（参考訳）: NFISiS:再生可能エネルギー予測のためのファジィ推論システムの新しい展望
• Authors: Kaike Sa Teles Rocha Alves, Eduardo Pestana de Aguiar,
• Abstract要約: ファジィ推論システムは精度と透明性のバランスを提供する。 本稿では,最近提案された新高木・スゲノ・カンモデルを拡張して,従来の高木・スゲノ・カンのファジィモデルの限界に対処する。 以上の結果から, 遺伝的およびアンサンブルファジィモデル, 特に遺伝的新高木・スゲノカン, ランダムフォレスト新高木・スゲノカンが優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models, despite their popularity, face challenges such as long training times and a lack of interpretability. In contrast, fuzzy inference systems offer a balance of accuracy and transparency. This paper addresses the limitations of traditional Takagi-Sugeno-Kang fuzzy models by extending the recently proposed New Takagi-Sugeno-Kang model to a new Mamdani-based regressor. These models are data-driven, allowing users to define the number of rules to balance accuracy and interpretability. To handle the complexity of large datasets, this research integrates wrapper and ensemble techniques. A Genetic Algorithm is used as a wrapper for feature selection, creating genetic versions of the models. Furthermore, ensemble models, including the Random New Mamdani Regressor, Random New Takagi-Sugeno-Kang, and Random Forest New Takagi-Sugeno-Kang, are introduced to improve robustness. The proposed models are validated on photovoltaic energy forecasting datasets, a critical application due to the intermittent nature of solar power. Results demonstrate that the genetic and ensemble fuzzy models, particularly the Genetic New Takagi-Sugeno-Kang and Random Forest New Takagi-Sugeno-Kang, achieve superior performance. They often outperform both traditional machine learning and deep learning models while providing a simpler and more interpretable rule-based structure. The models are available online in a library called nfisis (https://pypi.org/project/nfisis/).
• Abstract（参考訳）: ディープラーニングモデルは、その人気にもかかわらず、長いトレーニング時間や解釈可能性の欠如といった課題に直面している。 対照的にファジィ推論システムは精度と透明性のバランスを提供する。 本稿では,最近提案された新高木・スゲノ・カンモデルを拡張して,従来の高木・スゲノ・カンのファジィモデルの限界に対処する。 これらのモデルはデータ駆動型であり、ユーザーは精度と解釈可能性のバランスをとるためのルールの数を定義することができる。 大規模なデータセットの複雑さに対処するため、この研究はラッパーとアンサンブル技術を統合する。 遺伝的アルゴリズムは特徴選択のためのラッパーとして使われ、モデルの遺伝的バージョンを作成する。 さらに,ランダムニューマンダニ回帰器,ランダムニュータカギスジェノカン,ランダムフォレストニュータカギスジェノカンなどのアンサンブルモデルを導入し,ロバスト性の向上を図る。 提案したモデルは、太陽エネルギーの断続的な性質のために重要な応用である太陽光発電エネルギー予測データセット上で検証される。 以上の結果から, 遺伝的およびアンサンブルファジィモデル, 特に遺伝的新高木・スゲノカン, ランダムフォレスト新高木・スゲノカンが優れた性能を示した。 従来の機械学習モデルとディープラーニングモデルの両方を上回り、よりシンプルで解釈可能なルールベースの構造を提供する。 モデルはnfisis(https://pypi.org/project/nfisis/)と呼ばれるライブラリでオンラインで入手できる。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• DIAGen: Semantically Diverse Image Augmentation with Generative Models for Few-Shot Learning [9.79392997282545]
  本稿では,コンピュータビジョンモデルにおける意味的多様性を高めるためにDIAGenを提案する。 本研究では,テキストからテキストへの生成モデルの一般的な知識を活用し,拡散モデルのイメージ生成を導く。 その結果,DIAGenは意味的多様性を高めるだけでなく,その後の分類器の性能も向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-26T19:09:13Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Enhancing Actuarial Non-Life Pricing Models via Transformers [0.0]
  我々は、ニューラルネットワークとローカルGLMnetを組み合わせた基盤を構築し、これらのモデルを特徴トークン変換器を介して強化する。 提案手法は,特定の一般化線形モデルの利点を保ちながら,ベンチマークモデルよりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-10T12:06:23Z)
• Learning to Jump: Thinning and Thickening Latent Counts for Generative Modeling [69.60713300418467]
  ジャンプの学習は、様々な種類のデータの生成モデリングのための一般的なレシピである。 ジャンプの学習が、デノゼの学習と相容れないパフォーマンスを期待される場合と、より良いパフォーマンスを期待される場合を実証する。
  論文  参考訳（メタデータ） (2023-05-28T05:38:28Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Learning High-Dimensional Distributions with Latent Neural Fokker-Planck Kernels [67.81799703916563]
  低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。 提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
  論文  参考訳（メタデータ） (2021-05-10T17:42:01Z)

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。