論文の概要: Cluster Aggregated GAN (CAG): A Cluster-Based Hybrid Model for Appliance Pattern Generation

• arxiv url: http://arxiv.org/abs/2512.22287v1
• Date: Thu, 25 Dec 2025 11:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.961812
• Title: Cluster Aggregated GAN (CAG): A Cluster-Based Hybrid Model for Appliance Pattern Generation
• Title（参考訳）: クラスタ集約型GAN(CAG):アプライアンスパターン生成のためのクラスタベースハイブリッドモデル
• Authors: Zikun Guoa, Adeyinka. P. Adedigbaa, Rammohan Mallipeddi,
• Abstract要約: 本稿では,その挙動特性に基づいて,各家電を専用ブランチにルートするハイブリッド生成手法を提案する。 断続的なアプライアンスでは、クラスタリングモジュールが同様のアクティベーションパターンをグループ化し、各クラスタに専用のジェネレータを割り当てる。 連続アプライアンスはLSTMベースのジェネレータを使用して、段階的な時間的進化を捉える。
• 参考スコア（独自算出の注目度）: 6.94449072049069
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic appliance data are essential for developing non-intrusive load monitoring algorithms and enabling privacy preserving energy research, yet the scarcity of labeled datasets remains a significant barrier. Recent GAN-based methods have demonstrated the feasibility of synthesizing load patterns, but most existing approaches treat all devices uniformly within a single model, neglecting the behavioral differences between intermittent and continuous appliances and resulting in unstable training and limited output fidelity. To address these limitations, we propose the Cluster Aggregated GAN framework, a hybrid generative approach that routes each appliance to a specialized branch based on its behavioral characteristics. For intermittent appliances, a clustering module groups similar activation patterns and allocates dedicated generators for each cluster, ensuring that both common and rare operational modes receive adequate modeling capacity. Continuous appliances follow a separate branch that employs an LSTM-based generator to capture gradual temporal evolution while maintaining training stability through sequence compression. Extensive experiments on the UVIC smart plug dataset demonstrate that the proposed framework consistently outperforms baseline methods across metrics measuring realism, diversity, and training stability, and that integrating clustering as an active generative component substantially improves both interpretability and scalability. These findings establish the proposed framework as an effective approach for synthetic load generation in non-intrusive load monitoring research.
• Abstract（参考訳）: 合成アプライアンスデータは、非侵襲的な負荷監視アルゴリズムを開発し、プライバシ保護エネルギー研究を可能にするために不可欠であるが、ラベル付きデータセットの不足は大きな障壁である。 GANをベースとした最近の手法は、負荷パターンの合成の実現可能性を示しているが、既存のほとんどのアプローチでは、すべてのデバイスを単一モデル内で均一に扱い、断続的および連続的なアプライアンス間の挙動の違いを無視し、不安定なトレーニングと限られた出力忠実さをもたらす。 これらの制約に対処するために,各アプライアンスをその挙動特性に基づいて特定のブランチにルーティングするハイブリッド生成手法であるCluster Aggregated GANフレームワークを提案する。 断続的なアプライアンスの場合、クラスタリングモジュールは同様のアクティベーションパターンをグループ化し、各クラスタに専用のジェネレータを割り当てる。 連続アプライアンスは、LSTMベースのジェネレータを使用して、シークエンス圧縮によるトレーニング安定性を維持しながら、徐々に時間的進化を捉えている。 UVICスマートプラグデータセットの大規模な実験により、提案フレームワークは、リアリズム、多様性、トレーニング安定性を測定する指標で一貫してベースラインメソッドを上回り、クラスタリングをアクティブな生成コンポーネントとして統合することで、解釈可能性とスケーラビリティの両方を大幅に改善することを示した。 これらの知見は,非侵襲的負荷モニタリング研究において,合成負荷生成の効果的なアプローチとして提案手法を確立した。

関連論文リスト

• Beyond Monotonicity: Revisiting Factorization Principles in Multi-Agent Q-Learning [24.476713156225685]
  値分解はマルチエージェント強化学習(MARL)における中心的アプローチである 既存の方法は、表現力を制限する単調性制約を強制するか、アルゴリズムの複雑さを犠牲にしてよりソフトなサロゲートを採用するかのどちらかである。 制約のない非単調な分解は、IGG最適解を確実に回復し、一貫して単調な基底線を上回ることを示す。
  論文  参考訳（メタデータ） (2025-11-12T22:49:35Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Clustering via Self-Supervised Diffusion [6.9158153233702935]
  Diffusion (CLUDI) によるクラスタリングは、拡散モデルの生成パワーと事前訓練されたビジョントランスフォーマーの機能を組み合わせて、堅牢で正確なクラスタリングを実現する、自己監督型のフレームワークである。 教師は拡散に基づくサンプリングを使用して多様なクラスタ割り当てを生成し、学生は安定した予測へと洗練する。
  論文  参考訳（メタデータ） (2025-07-06T07:57:08Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• ClusterDDPM: An EM clustering framework with Denoising Diffusion Probabilistic Models [9.91610928326645]
  拡散確率モデル(DDPM)は、新しい、そして有望な生成モデルのクラスを表す。 本研究では,DDPMを用いたクラスタリングのための革新的予測最大化(EM)フレームワークを提案する。 Mステップでは、条件付きDDPMを用いてクラスタリングに親しみやすい潜在表現を学習し、潜在表現の分布をガウスの先行表現の混合と整合させることに重点を置いている。
  論文  参考訳（メタデータ） (2023-12-13T10:04:06Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Dynamic Clustering and Cluster Contrastive Learning for Unsupervised Person Re-identification [29.167783500369442]
  教師なしRe-ID手法は、ラベルのないデータから堅牢で差別的な特徴を学習することを目的としている。 本稿では,動的クラスタリングとクラスタコントラスト学習(DCCC)手法を提案する。 提案したDCCCの有効性を検証するために, 広く利用されている複数の公開データセットの実験を行った。
  論文  参考訳（メタデータ） (2023-03-13T01:56:53Z)
• Streaming Inference for Infinite Non-Stationary Clustering [9.84413545378636]
  非定常データの連続的なストリームから教師なしの方法で学習することは、知的なエージェントが直面する最も一般的で最も困難な設定の1つであることは間違いない。 ここでは、クラスタリング(混合モデリング)の文脈における3つの条件(教師なし、ストリーミング、非定常)の学習を攻撃する。 我々は、混合モデルに新しいクラスタをオンラインで作成できる新しいクラスタリングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-05-02T21:05:18Z)
• Conditional Hybrid GAN for Sequence Generation [56.67961004064029]
  本稿では,この問題を解決するための条件付きハイブリッドGAN(C-Hybrid-GAN)を提案する。 我々はGumbel-Softmax法を利用して離散値列の分布を近似する。 提案したC-Hybrid-GANは、文脈条件付き離散値シーケンス生成において既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-18T03:52:55Z)

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。