論文の概要: Incremental Multistep Forecasting of Battery Degradation Using Pseudo Targets

• arxiv url: http://arxiv.org/abs/2509.15740v1
• Date: Fri, 19 Sep 2025 08:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.070605
• Title: Incremental Multistep Forecasting of Battery Degradation Using Pseudo Targets
• Title（参考訳）: Pseudo Targets を用いた電池劣化の増分多段階予測
• Authors: Jonathan Adam Rico, Nagarajan Raghavan, Senthilnath Jayavelu,
• Abstract要約: iFSNetは、疑似ターゲットを用いたマルチステップ予測を実現するために、シングルパスモード(サンプルバイサンプル)用にFSNetの修正版である。 提案モデルではスムーズな劣化軌道を持つデータセット上で0.00197 RMSEと0.00154 MAEを達成した。
• 参考スコア（独自算出の注目度）: 2.4958651162443943
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven models accurately perform early battery prognosis to prevent equipment failure and further safety hazards. Most existing machine learning (ML) models work in offline mode which must consider their retraining post-deployment every time new data distribution is encountered. Hence, there is a need for an online ML approach where the model can adapt to varying distributions. However, existing online incremental multistep forecasts are a great challenge as there is no way to correct the model of its forecasts at the current instance. Also, these methods need to wait for a considerable amount of time to acquire enough streaming data before retraining. In this study, we propose iFSNet (incremental Fast and Slow learning Network) which is a modified version of FSNet for a single-pass mode (sample-by-sample) to achieve multistep forecasting using pseudo targets. It uses a simple linear regressor of the input sequence to extrapolate pseudo future samples (pseudo targets) and calculate the loss from the rest of the forecast and keep updating the model. The model benefits from the associative memory and adaptive structure mechanisms of FSNet, at the same time the model incrementally improves by using pseudo targets. The proposed model achieved 0.00197 RMSE and 0.00154 MAE on datasets with smooth degradation trajectories while it achieved 0.01588 RMSE and 0.01234 MAE on datasets having irregular degradation trajectories with capacity regeneration spikes.
• Abstract（参考訳）: データ駆動モデルは、機器の故障や安全性の悪化を防ぐために、早期のバッテリ予後を正確に行う。 既存の機械学習(ML)モデルのほとんどはオフラインモードで動作するため、新たなデータが分散されるたびに、再トレーニング後の再デプロイを考慮する必要がある。 したがって、モデルは様々な分散に適応できるオンラインMLアプローチが必要である。 しかし、既存のオンラインインクリメンタルなマルチステップ予測は、現在のインスタンスで予測モデルを修正する方法がないため、大きな課題である。 また、これらの手法は再トレーニングの前に十分なストリーミングデータを取得するのにかなりの時間を要する。 本研究では,シングルパスモード(サンプル・バイ・サンプル)に対するFSNetの修正版であるiFSNet(incremental Fast and Slow Learning Network)を提案し,擬似目標を用いたマルチステップ予測を実現する。 入力シーケンスの単純な線形回帰器を使用して、擬似将来のサンプル(擬似ターゲット)を外挿し、予測の残りの部分からの損失を計算し、モデルを更新し続ける。 このモデルは、FSNetの連想記憶と適応構造機構の恩恵を受けると同時に、擬似的ターゲットを使用することで、モデルを漸進的に改善する。 提案モデルでは,スムーズな劣化軌道を持つデータセット上で0.00197 RMSEと0.00154 MAEを,不規則な劣化軌道を持つデータセットでは0.01588 RMSEと0.01234 MAEを達成した。

関連論文リスト

• Stabilizing Data-Free Model Extraction [2.5998827435861633]
  既存のデータフリーモデル抽出法は代用モデルの振動精度に悩まされている。 生成学習にメタラーニングを用いたデータフリーモデル抽出手法であるMetaDFMEを提案する。 一般的なベースライン画像データセットに対する実験により,MetaDFMEは現在の最先端データフリーモデル抽出法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-14T08:36:56Z)
• Act Now: A Novel Online Forecasting Framework for Large-Scale Streaming Data [17.121851529311368]
  既存のオンライン予測手法には次のような問題がある。 彼らはストリーミングデータの更新頻度を考慮していない。 情報漏洩の除去はコンセプトドリフトを悪化させる可能性がある。 既存のGPUデバイスは、大規模なストリーミングデータのオンライン学習をサポートできない。
  論文  参考訳（メタデータ） (2024-11-28T01:39:45Z)
• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Few-Shot Load Forecasting Under Data Scarcity in Smart Grids: A Meta-Learning Approach [0.18641315013048293]
  本稿では,短期負荷予測のためのモデルに依存しないメタ学習アルゴリズムを提案する。 提案手法は,任意の長さの未知の負荷時間列に迅速に適応し,一般化することができる。 提案手法は,実世界の消費者の歴史的負荷消費データのデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2024-06-09T18:59:08Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• Diffusion-Model-Assisted Supervised Learning of Generative Models for Density Estimation [10.793646707711442]
  本稿では,密度推定のための生成モデルを訓練するためのフレームワークを提案する。 スコアベース拡散モデルを用いてラベル付きデータを生成する。 ラベル付きデータが生成されると、シンプルな完全に接続されたニューラルネットワークをトレーニングして、教師付き方法で生成モデルを学ぶことができます。
  論文  参考訳（メタデータ） (2023-10-22T23:56:19Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)

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。