論文の概要: Semi-Supervised Deep Domain Adaptation for Predicting Solar Power Across Different Locations
- arxiv url: http://arxiv.org/abs/2508.04165v1
- Date: Wed, 06 Aug 2025 07:45:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.599163
- Title: Semi-Supervised Deep Domain Adaptation for Predicting Solar Power Across Different Locations
- Title（参考訳）: 地域によって異なる太陽エネルギー予測のための半監督深部領域適応法
- Authors: Md Shazid Islam, A S M Jahid Hasan, Md Saydur Rahman, Md Saiful Islam Sajol,
- Abstract要約: 本稿では,対象位置からのラベル付きデータを最小限の精度で予測できる半教師付き深層ドメイン適応フレームワークを提案する。
我々のアプローチでは、ソース位置のデータに基づいて深層畳み込みニューラルネットワークをトレーニングし、ソースのない教師学生モデル構成を使用してターゲット位置に適応する。
対象ドメインに20 %のデータしかなかったアノテーションにより、我々のアプローチは、目標ドメインとしてカリフォルニア、フロリダ、ニューヨークに対して、11.36 %$、65 %$、4.92%$に改善されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate solar generation prediction is essential for proper estimation of renewable energy resources across diverse geographic locations. However, geographical and weather features vary from location to location which introduces domain shift - a major bottleneck to develop location-agnostic prediction model. As a result, a machine-learning model which can perform well to predict solar power in one location, may exhibit subpar performance in another location. Moreover, the lack of properly labeled data and storage issues make the task even more challenging. In order to address domain shift due to varying weather conditions across different meteorological regions, this paper presents a semi-supervised deep domain adaptation framework, allowing accurate predictions with minimal labeled data from the target location. Our approach involves training a deep convolutional neural network on a source location's data and adapting it to the target location using a source-free, teacher-student model configuration. The teacher-student model leverages consistency and cross-entropy loss for semi-supervised learning, ensuring effective adaptation without any source data requirement for prediction. With annotation of only $20 \%$ data in the target domain, our approach exhibits an improvement upto $11.36 \%$, $6.65 \%$, $4.92\%$ for California, Florida and New York as target domain, respectively in terms of accuracy in predictions with respect to non-adaptive approach.
- Abstract（参考訳）: 正確な太陽光発電予測は、多様な地域にわたって再生可能エネルギー資源の適切な推定に不可欠である。
しかし、地理的および気象的特徴は、位置に依存しない予測モデルを開発する上での大きなボトルネックである領域シフトをもたらす位置から位置まで様々である。
その結果、ある場所で太陽エネルギーを予測できる機械学習モデルは、別の場所でのサブパー性能を示すことができる。
さらに、適切にラベル付けされたデータとストレージの問題の欠如により、タスクはさらに困難になる。
気象地域によって異なる気象条件によるドメインシフトに対処するため,本論文では,目標地点からのラベル付きデータを最小限に抑えた精度の予測が可能な半教師付き深部ドメイン適応フレームワークを提案する。
我々のアプローチでは、ソース位置のデータに基づいて深層畳み込みニューラルネットワークをトレーニングし、ソースのない教師学生モデル構成を使用してターゲット位置に適応する。
教師-学生モデルは、半教師付き学習における一貫性とクロスエントロピー損失を活用し、予測のためのソースデータを必要としない効果的な適応を保証する。
対象ドメインに20ドル分のデータしかなかったアノテーションにより、我々のアプローチは、適応的でないアプローチに関する予測の正確さの観点から、ターゲットドメインとしてカリフォルニア、フロリダ、ニューヨークに対して、11.36ドル分の6.65ドル分の改善を示す。
関連論文リスト
- Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
本稿では,GPSなどの位置情報が存在しない場合の地上画像の位置を推定することの課題について検討する。
本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(Recall vs Area)を紹介する。
次に,複数の情報源からの情報を組み込んだグローバルな画像位置決め手法について検討する。
論文 参考訳（メタデータ） (2024-07-18T19:15:52Z) - Wind Power Prediction across Different Locations using Deep Domain Adaptive Learning [0.0]
この断続的再生源のグリッド統合には,風力の正確な予測が不可欠である。
特定の気候領域のデータから学習する予測モデルは、ロバストさの低下に悩まされる可能性がある。
この欠点に対処するために、ディープニューラルネットワーク(DNN)に基づくドメイン適応アプローチを提案する。
提案手法は従来の非適応法と比較して6.14%から28.44%まで高い精度を示す。
論文 参考訳（メタデータ） (2024-05-18T05:57:52Z) - Location Agnostic Adaptive Rain Precipitation Prediction using Deep
Learning [2.0971479389679337]
降雨予測は、場所によって異なる気象や気象の特徴に依存するため、難しい課題である。
我々は、上記の課題に対する解決策を提供するために、適応的なディープラーニングベースのフレームワークを提案してきた。
深部ニューラルネットワークを用いて, パリ, ロサンゼルス, 東京の降水予測を行ったところ, それぞれ43.51%, 5.09%, 38.62%の改善が見られた。
論文 参考訳（メタデータ） (2024-02-02T08:26:42Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳（メタデータ） (2024-02-02T05:53:22Z) - Location Agnostic Source-Free Domain Adaptive Learning to Predict Solar
Power Generation [0.0]
本稿では,気象特性を用いた太陽発電を推定するためのドメイン適応型ディープラーニングフレームワークを提案する。
フィードフォワード深部畳み込みネットワークモデルは、既知の位置データセットを教師付きでトレーニングし、後に未知の場所の太陽エネルギーを予測するために使用される。
我々の手法では、カリフォルニア(CA)、フロリダ(FL)、ニューヨーク(NY)の順応的でない手法と比較して、太陽エネルギー予測精度が10.47 %、7.44 %、5.11%の改善が見られた。
論文 参考訳（メタデータ） (2024-01-24T02:08:48Z) - GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。
まず,地理的適応のための大規模データセットGeoNetを紹介する。
第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。
第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文 参考訳（メタデータ） (2023-03-27T17:59:34Z) - Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。
本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
論文 参考訳（メタデータ） (2022-08-16T08:03:30Z) - On-target Adaptation [82.77980951331854]
ドメイン適応は、Emphtargetドメインでのトレーニングとテストの間のシフトを軽減することを目指している。
ほとんどの適応法は、ソースデータとターゲットデータに対する共同最適化によるソースデータに依存している。
対象データから純粋に表現を学習するオン・ターゲット適応による大幅な改善を示す。
論文 参考訳（メタデータ） (2021-09-02T17:04:18Z) - On Universal Black-Box Domain Adaptation [53.7611757926922]
実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。
ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。
対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
論文 参考訳（メタデータ） (2021-04-10T02:21:09Z) - Source Data-absent Unsupervised Domain Adaptation through Hypothesis
Transfer and Labeling Transfer [137.36099660616975]
Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。
既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。
本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
論文 参考訳（メタデータ） (2020-12-14T07:28:50Z) - Meta-Learning for Few-Shot Land Cover Classification [3.8529010979482123]
分類タスクとセグメンテーションタスクにおけるモデル非依存メタラーニング(MAML)アルゴリズムの評価を行った。
数発のモデル適応は,正規勾配降下による事前学習よりも優れていた。
これは、メタラーニングによるモデル最適化が地球科学におけるタスクの恩恵をもたらすことを示唆している。
論文 参考訳（メタデータ） (2020-04-28T09:42:41Z)
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。