論文の概要: The Impact of Temporal Granularity on Socio-Demographic Inference from Household Load Profiles

• arxiv url: http://arxiv.org/abs/2606.03358v1
• Date: Tue, 02 Jun 2026 09:06:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.89135
• Title: The Impact of Temporal Granularity on Socio-Demographic Inference from Household Load Profiles
• Title（参考訳）: 家庭内負荷分布からのソシオデモグラフィー推定における時間的粒度の影響
• Authors: Dejan Radovanovic, Maximilian Schirl, Andreas Unterweger, Günther Eibl,
• Abstract要約: 我々は,15分から7日間の粒度の負荷プロファイルが,1年間の1,589世帯のデータセットにおける8つの社会デデノグラフィー属性の予測可能性に与える影響を分析した。 粗化は予測精度を低下させるが、2つの高原が出現する: 性能は15分から1時間、また1日から7日である。
• 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: Smart meter data can reveal sensitive socio-demographic characteristics of households, raising privacy concerns. While this risk has been demonstrated at fixed granularities, the role of temporal resolution in shaping inference performance remains insufficiently explored. This paper addresses this gap by analyzing how load profiles with granularities from 15 minutes to 7 days affect the predictability of eight socio-demographic attributes in a dataset of 1,589 households over one year. We introduce an evaluation framework where classifiers are trained on year-round data but tested on arbitrary weeks, forcing generalization across seasonal and weekly variations. Our results show three main findings. First, while coarsening granularity reduces predictive accuracy, two plateaus emerge: performance is stable between 15 minutes and 1 hour, and again between 1 and 7 days. This reveals opportunities for data minimization without sacrificing utility. Second, interpretable handcrafted and tsfresh features remain competitive with CNN-based autoencoder embeddings, while XGBoost consistently outperforms alternative classifiers. Third, feature importance analysis highlights differences between static and dynamic attributes: dwelling size can be inferred even from coarse data, whereas swimming pool usage requires fine-grained temporal signals. Overall, our study provides new insights into the privacy-utility trade-off in smart metering, showing how temporal resolution, feature extraction, and classifier choice jointly influence socio-demographic inference.
• Abstract（参考訳）: スマートメーターのデータは、家庭の社会的デデログラフィー的特徴を明らかにすることができ、プライバシーの懸念を提起する。 このリスクは固定された粒度で実証されているが、推論性能形成における時間分解能の役割はいまだ不十分である。 本稿では,15分から7日間の粒度の負荷プロファイルが,1年間の1,589世帯のデータセットにおける8つの社会デデノグラフィー属性の予測可能性にどのように影響するかを分析することで,このギャップに対処する。 分類器は年単位のデータに基づいて訓練されるが、任意の週でテストされ、季節や週ごとの多変量にまたがる一般化が強制される評価枠組みを導入する。 以上の結果から3つの主な所見が得られた。 第一に、粗い粒度は予測精度を低下させるが、2つの台地が出現する: 性能は15分から1時間、また1～7日である。 これにより、ユーティリティを犠牲にすることなく、データ最小化の機会が明らかになる。 第二に、解釈可能なハンドクラフトとtsfreshの機能は、CNNベースのオートエンコーダの埋め込みと競合し続けている。 第3に、特徴重要度分析は静的特性と動的属性の違いを強調している: 住居の大きさは粗いデータからも推測できるが、スイミングプールの使用には微細な時間信号が必要である。 全体として、スマートメータリングにおけるプライバシーとユーティリティのトレードオフに関する新たな洞察を提供し、時間分解能、特徴抽出、分類器の選択が社会デデマグラフィー推論にどのように影響するかを示した。

関連論文リスト

• AdaptStress: Online Adaptive Learning for Interpretable and Personalized Stress Prediction Using Multivariate and Sparse Physiological Signals [1.593065406609169]
  本稿では,スマートウォッチの生理的データを用いたストレス予測のための,新しい,説明可能な,個別化されたアプローチを提案する。 我々は,心拍変動,活動パターン,睡眠指標など多変量特徴を利用した時系列予測モデルを構築し,ストレスレベルを予測する。 MSEが0.053,MAEが0.190,RMSEが0.226,最適設定が0.226であった。
  論文  参考訳（メタデータ） (2026-02-19T20:57:35Z)
• Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction [27.521188262343596]
  我々はTHGNN(Temporal and Heterogeneous Graph Neural Networks)という新しいモデルを導入する。 THGNNは、隣接するノードからの履歴データを集約し、センサーデータのストリーム内の時間的ダイナミクスと空間的相関を正確にキャプチャする。 包括的実験により,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-07T14:08:57Z)
• Sensitivity, Performance, Robustness: Deconstructing the Effect of Sociodemographic Prompting [64.80538055623842]
  社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。 ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
  論文  参考訳（メタデータ） (2023-09-13T15:42:06Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• DisenHCN: Disentangled Hypergraph Convolutional Networks for Spatiotemporal Activity Prediction [53.76601630407521]
  本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。 特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。 次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
  論文  参考訳（メタデータ） (2022-08-14T06:51:54Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)
• An Enhanced Adversarial Network with Combined Latent Features for Spatio-Temporal Facial Affect Estimation in the Wild [1.3007851628964147]
  本稿では,遅延特徴に基づく時間的モデリングにより,空間的特徴と時間的特徴の両方を効率的に抽出する新しいモデルを提案する。 提案モデルは3つの主要ネットワークから成り,造語生成器,判別器,コンビネータを用いて,適応型アテンションモジュールを実現するために,敵対的な学習環境において訓練を行う。
  論文  参考訳（メタデータ） (2021-02-18T04:10:12Z)

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。