論文の概要: Fusion-ResNet: A Lightweight multi-label NILM Model Using PCA-ICA Feature Fusion

• arxiv url: http://arxiv.org/abs/2511.12139v1
• Date: Sat, 15 Nov 2025 10:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.634471
• Title: Fusion-ResNet: A Lightweight multi-label NILM Model Using PCA-ICA Feature Fusion
• Title（参考訳）: Fusion-ResNet: PCA-ICA特徴核融合を用いた軽量多ラベルNILMモデル
• Authors: Sahar Moghimian Hoosh, Ilia Kamyshev, Henni Ouerdane,
• Abstract要約: 非侵入負荷監視(NILM)は、家庭の総消費電力を個々の家電の消費に分解するためにデータ駆動アルゴリズムを使用する。 本研究では、高周波ラベル付きデータ、特徴抽出方法、軽量ニューラルネットワークからなるNILM分類タスクのエンドツーエンドフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-intrusive load monitoring (NILM) is an advanced load monitoring technique that uses data-driven algorithms to disaggregate the total power consumption of a household into the consumption of individual appliances. However, real-world NILM deployment still faces major challenges, including overfitting, low model generalization, and disaggregating a large number of appliances operating at the same time. To address these challenges, this work proposes an end-to-end framework for the NILM classification task, which consists of high-frequency labeled data, a feature extraction method, and a lightweight neural network. Within this framework, we introduce a novel feature extraction method that fuses Independent Component Analysis (ICA) and Principal Component Analysis (PCA) features. Moreover, we propose a lightweight architecture for multi-label NILM classification (Fusion-ResNet). The proposed feature-based model achieves a higher $F1$ score on average and across different appliances compared to state-of-the-art NILM classifiers while minimizing the training and inference time. Finally, we assessed the performance of our model against baselines with a varying number of simultaneously active devices. Results demonstrate that Fusion-ResNet is relatively robust to stress conditions with up to 15 concurrently active appliances.
• Abstract（参考訳）: 非侵入負荷監視(Non-Inrusive Load Monitoring, NILM)は、データ駆動アルゴリズムを用いて家庭の総消費電力を個別の家電消費に分解する高度な負荷監視技術である。 しかし、現実世界のNILMデプロイメントは、オーバーフィット、低モデル一般化、同時に動作する多数のアプライアンスを分離するなど、大きな課題に直面している。 これらの課題に対処するために、高周波数ラベル付きデータ、特徴抽出方法、軽量ニューラルネットワークからなるNILM分類タスクのエンドツーエンドフレームワークを提案する。 本稿では,独立成分分析(ICA)と主成分分析(PCA)を融合した特徴抽出手法を提案する。 また,マルチラベルNILM分類のための軽量アーキテクチャ (Fusion-ResNet) を提案する。 提案した特徴量に基づくモデルでは,トレーニング時間と推論時間を最小化しながら,最先端のNILM分類器と比較して,平均および異なるアプライアンスに対するF1ドルのスコアが向上する。 最後に,各種アクティブデバイスを用いて,ベースラインに対するモデルの性能評価を行った。 その結果,Fusion-ResNetは最大15個の並列アクティブアプライアンスを持つストレス条件に対して比較的堅牢であることがわかった。

関連論文リスト

• Quantization Meets dLLMs: A Systematic Study of Post-training Quantization for Diffusion LLMs [78.09559830840595]
  本稿では拡散に基づく言語モデルの定量化に関する最初の体系的研究について述べる。 異常に大きなアクティベーション値によって特徴付けられるアクティベーションアウトリーチの存在を同定する。 我々は最先端のPTQ手法を実装し、包括的な評価を行う。
  論文  参考訳（メタデータ） (2025-08-20T17:59:51Z)
• Enhancing Non-Intrusive Load Monitoring with Features Extracted by Independent Component Analysis [0.0]
  エネルギー分散アルゴリズムの課題に対処するために,新しいニューラルネットワークアーキテクチャを提案する。 以上の結果から, モデルが過度に適合しにくく, 複雑度が低く, 個々の成分で効果的に分解できることが示唆された。
  論文  参考訳（メタデータ） (2025-01-28T09:45:06Z)
• Preventing Non-intrusive Load Monitoring Privacy Invasion: A Precise Adversarial Attack Scheme for Networked Smart Meters [99.90150979732641]
  本稿では,敵攻撃に基づく革新的な手法を提案する。 このスキームは、NILMモデルがアプライアンスレベルのプライバシに違反するのを効果的に防ぎ、ユーザの正確な請求計算を確実にする。 提案手法はトランスファービリティを示し,他の様々なNILMモデルに適用可能な1つのターゲットモデルから発生する摂動信号を生成する。
  論文  参考訳（メタデータ） (2024-12-22T07:06:46Z)
• R-MTLLMF: Resilient Multi-Task Large Language Model Fusion at the Wireless Edge [78.26352952957909]
  マルチタスク大言語モデル(MTLLM)は、ユーザが複数のタスクを効率的に処理するための特殊なモデルを要求する無線エッジにおける多くのアプリケーションにとって重要である。 タスクベクトルによるモデル融合の概念は、MDLLMを生成するための微調整パラメータを組み合わせるための効率的なアプローチとして登場した。 本稿では,最悪の逆攻撃を前提として,エッジユーザがタスクベクトルを介して協調的にMTLMを作成できる問題について検討する。
  論文  参考訳（メタデータ） (2024-11-27T10:57:06Z)
• Benchmarking Active Learning for NILM [2.896640219222859]
  非侵入負荷モニタリング(NILM)は、家電固有の用途に家庭の電力消費を分散させることに焦点を当てている。 多くの高度なNILM法は、通常大量のラベル付きアプライアンスデータを必要とするニューラルネットワークに基づいている。 限られた住宅に家電モニターを選択的に設置するための能動的学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-24T12:22:59Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data [5.460776507522276]
  非侵入負荷モニタリング(NILM)は、エネルギー意識を高め、エネルギープログラム設計のための貴重な洞察を提供する。 既存のNILM法は、しばしば高サンプリング複雑な信号データを取得するための特殊な装置に依存している。 そこで本研究では,12種類の機器の負荷分散を実現するために,容易にアクセス可能な気象データを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:04:49Z)
• MATNilm: Multi-appliance-task Non-intrusive Load Monitoring with Limited Labeled Data [4.460954839118025]
  既存のアプローチは主に、各アプライアンス用の個別モデルの開発に重点を置いている。 本稿では,トレーニング効率のよいサンプル拡張方式を用いたマルチアプライアンス・タスク・フレームワークを提案する。 相対誤差は平均で50%以上削減できる。
  論文  参考訳（メタデータ） (2023-07-27T11:14:11Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Energy-Efficient and Federated Meta-Learning via Projected Stochastic Gradient Ascent [79.58680275615752]
  エネルギー効率のよいメタラーニングフレームワークを提案する。 各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
  論文  参考訳（メタデータ） (2021-05-31T08:15:44Z)

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。