論文の概要: Multitask Battery Management with Flexible Pretraining

• arxiv url: http://arxiv.org/abs/2509.01323v1
• Date: Mon, 01 Sep 2025 10:06:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.636736
• Title: Multitask Battery Management with Flexible Pretraining
• Title（参考訳）: フレキシブルプレトレーニングによるマルチタスクバッテリ管理
• Authors: Hong Lu, Jiali Chen, Jingzhao Zhang, Guannan He, Xuebing Han, Minggao Ouyang,
• Abstract要約: 産業規模のバッテリー管理には、推定、予測、システムレベルの診断など様々な種類のタスクが含まれる。 タスク固有のメソッドを構築するには、大量のデータとエンジニアリングの労力が必要で、インテリジェントなバッテリー管理のスケーラビリティが制限されます。 ここでは、電池データチャネルの欠如から学習可能なフレキシブル事前学習フレームワークである、フレキシブルマスク付きオートエンコーダ(FMAE)を紹介する。
• 参考スコア（独自算出の注目度）: 17.183249751931843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial-scale battery management involves various types of tasks, such as estimation, prediction, and system-level diagnostics. Each task employs distinct data across temporal scales, sensor resolutions, and data channels. Building task-specific methods requires a great deal of data and engineering effort, which limits the scalability of intelligent battery management. Here we present the Flexible Masked Autoencoder (FMAE), a flexible pretraining framework that can learn with missing battery data channels and capture inter-correlations across data snippets. FMAE learns unified battery representations from heterogeneous data and can be adopted by different tasks with minimal data and engineering efforts. Experimentally, FMAE consistently outperforms all task-specific methods across five battery management tasks with eleven battery datasets. On remaining life prediction tasks, FMAE uses 50 times less inference data while maintaining state-of-the-art results. Moreover, when real-world data lack certain information, such as system voltage, FMAE can still be applied with marginal performance impact, achieving comparable results with the best hand-crafted features. FMAE demonstrates a practical route to a flexible, data-efficient model that simplifies real-world multi-task management of dynamical systems.
• Abstract（参考訳）: 産業規模のバッテリー管理には、推定、予測、システムレベルの診断など様々な種類のタスクが含まれる。 各タスクは、時間スケール、センサー解像度、データチャネルにまたがる異なるデータを使用する。 タスク固有のメソッドを構築するには、大量のデータとエンジニアリングの労力が必要で、インテリジェントなバッテリー管理のスケーラビリティが制限されます。 ここではFlexible Masked Autoencoder(FMAE)を紹介します。これはフレキシブルな事前トレーニングフレームワークで、バッテリーデータチャネルの欠如から学習し、データスニペット間の相関をキャプチャします。 FMAEは異種データから統一されたバッテリ表現を学習し、最小限のデータとエンジニアリングの努力で異なるタスクで適用することができる。 実験的に、FMAEは5つのバッテリ管理タスクで、11のバッテリデータセットでタスク固有のメソッドを一貫して上回る。 余命予測タスクでは、FMAEは50倍の推論データを使用し、最先端の結果を維持している。 さらに、実世界のデータにシステム電圧などの情報がない場合、FMAEは依然として限界性能の影響で適用でき、最高の手作り機能で同等の結果が得られる。 FMAEは、動的システムの現実のマルチタスク管理を単純化する、フレキシブルでデータ効率のよいモデルへの実践的な経路を示す。

関連論文リスト

• Federated Continual Instruction Tuning [39.344583304181135]
  フェデレートラーニング(FL)は、すべての分散データとトレーニングリソースを活用して、共同トレーニングのオーバーヘッドを軽減する可能性がある。 本稿では,この実世界の課題をモデル化するために,FCIT(Federated Continual Instruction Tuning)ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-03-17T07:58:06Z)
• Unified machine learning tasks and datasets for enhancing renewable energy [0.8356833388425764]
  ETT-17(Energy Transition Tasks-17)は再生可能エネルギーの増強に関連する17のデータセットの集合である。 すべてのタスクとデータセットを統一し、単一のマルチタスクMLモデルで解決できるようにします。
  論文  参考訳（メタデータ） (2023-11-12T15:30:44Z)
• Data-Copilot: Bridging Billions of Data and Humans with Autonomous Workflow [49.28944613907541]
  金融、気象学、エネルギーといった産業は毎日大量のデータを生み出している。 本研究では,データ分析エージェントであるData-Copilotを提案する。
  論文  参考訳（メタデータ） (2023-06-12T16:12:56Z)
• Diffusion Model is an Effective Planner and Data Synthesizer for Multi-Task Reinforcement Learning [101.66860222415512]
  Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。 生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
  論文  参考訳（メタデータ） (2023-05-29T05:20:38Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• A Comprehensive Evaluation of Multi-task Learning and Multi-task Pre-training on EHR Time-series Data [0.0]
  MTL(Multi-task Learning)は、多くのタスクにまたがる情報を活用することにより、モデルパフォーマンスの向上を目的とした機械学習技術である。 本研究では,EMHの時系列データに基づいて,タスクのバッテリにまたがるMLLについて検討する。 MTLは一般的な負の伝達に苦しむが、MTL事前学習と単一タスクの微調整を併用することで大きな効果が得られている。
  論文  参考訳（メタデータ） (2020-07-20T15:19:28Z)

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。