論文の概要: External Data-Enhanced Meta-Representation for Adaptive Probabilistic Load Forecasting

• arxiv url: http://arxiv.org/abs/2506.23201v1
• Date: Sun, 29 Jun 2025 12:07:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.770039
• Title: External Data-Enhanced Meta-Representation for Adaptive Probabilistic Load Forecasting
• Title（参考訳）: 適応確率的負荷予測のための外部データ強化メタ表現
• Authors: Haoran Li, Muhao Guo, Marija Ilic, Yang Weng, Guangchun Ruan,
• Abstract要約: 予測モデル自体を動的に適応させるために、外部データはメタ知識として機能すべきである。 我々は、ハイパーネットワークを使用して、外部条件に応じてベースディープラーニング(DL)モデルの選択されたパラメータを変調する。 得られたモデルは、追加オーバーヘッドを限定して精度と堅牢性を大幅に改善する。
• 参考スコア（独自算出の注目度）: 8.217867304694714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate residential load forecasting is critical for power system reliability with rising renewable integration and demand-side flexibility. However, most statistical and machine learning models treat external factors, such as weather, calendar effects, and pricing, as extra input, ignoring their heterogeneity, and thus limiting the extraction of useful external information. We propose a paradigm shift: external data should serve as meta-knowledge to dynamically adapt the forecasting model itself. Based on this idea, we design a meta-representation framework using hypernetworks that modulate selected parameters of a base Deep Learning (DL) model in response to external conditions. This provides both expressivity and adaptability. We further integrate a Mixture-of-Experts (MoE) mechanism to enhance efficiency through selective expert activation, while improving robustness by filtering redundant external inputs. The resulting model, dubbed as a Meta Mixture of Experts for External data (M2oE2), achieves substantial improvements in accuracy and robustness with limited additional overhead, outperforming existing state-of-the-art methods in diverse load datasets. The dataset and source code are publicly available at https://github.com/haorandd/M2oE2\_load\_forecast.git.
• Abstract（参考訳）: 住宅負荷の正確な予測は, 電力系統の信頼性向上, 再生可能化と需要面の柔軟性向上に不可欠である。 しかし、ほとんどの統計的および機械学習モデルは、天気、カレンダー効果、価格などの外部要因を余分な入力として扱い、不均一性を無視し、有用な外部情報の抽出を制限する。 予測モデル自体を動的に適応させるために、外部データはメタ知識として機能すべきである。 この考え方に基づいて,外部条件に応じてベースディープラーニング(DL)モデルの選択パラメータを変調するハイパーネットを用いたメタ表現フレームワークを設計する。 これは表現性と適応性の両方を提供する。 さらに、Mixture-of-Experts(MoE)機構を統合し、選択的な専門家アクティベーションを通じて効率を向上させるとともに、冗長な外部入力をフィルタリングすることで堅牢性を向上させる。 その結果得られたモデルは、M2oE2(Meta Mixture of Experts for Foreign Data)と呼ばれ、さまざまな負荷データセットにおいて既存の最先端メソッドよりも優れた精度と堅牢性の向上を実現している。 データセットとソースコードはhttps://github.com/haorandd/M2oE2\_load\_forecast.gitで公開されている。

関連論文リスト

• FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors [50.131271229165165]
  Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。 ユーザの行動、好み、デバイス特性の相違から生じるデータの異質性は、連合学習にとって重要な課題である。 本稿では,学習過程におけるクライアントベクトルに基づくアダプティブ重み付けを適応的に調整する手法であるAdaptive Weight Aggregation (FedAWA)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T04:49:40Z)
• iTool: Reinforced Fine-Tuning with Dynamic Deficiency Calibration for Advanced Tool Use [39.65877861652369]
  大規模な言語モデルを外部ツールで拡張することは、その機能を強化するための有望なアプローチである。 その結果, 合成データの増加に伴い, トレーニングは著しく低下することがわかった。 我々は,この制限を緩和するために,反復的に強化された微調整戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-15T04:52:34Z)
• Optimize Incompatible Parameters through Compatibility-aware Knowledge Integration [104.52015641099828]
  既存の研究は、そのようなパラメータを除去したり、複数の異なる事前訓練されたモデルの出力をマージすることに長けている。 本稿では,Deep AssessmentとDeep SplicingからなるCompatibility-Aware Knowledge Integration (CKI)を提案する。 統合モデルは推論やさらなる微調整に直接使用することができる。
  論文  参考訳（メタデータ） (2025-01-10T01:42:43Z)
• A Recommendation Model Utilizing Separation Embedding and Self-Attention for Feature Mining [7.523158123940574]
  レコメンデーションシステムは、ユーザのニーズを満たすコンテンツをユーザに提供します。 従来のクリックスルーレート予測とTOP-Kレコメンデーションメカニズムはレコメンデーションのニーズを満たすことができない。 本稿では,ネットワーク間の分離に基づくレコメンデーションシステムモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-19T07:49:21Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
  Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。 本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T17:49:07Z)
• Stable Training of Probabilistic Models Using the Leave-One-Out Maximum Log-Likelihood Objective [0.7373617024876725]
  カーネル密度推定(KDE)に基づくモデルは、このタスクの一般的な選択であるが、密度の異なるデータ領域に適応できない。 適応的なKDEモデルを用いてこれを回避し、モデル内の各カーネルは個別の帯域幅を持つ。 最適化速度を確実に高速化するために改良された期待最大化アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-10-05T14:08:42Z)

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。