論文の概要: Behaviour-Conditioned Neural Processes for Adaptive Residential Short-Term Load Forecasting

• arxiv url: http://arxiv.org/abs/2607.16168v1
• Date: Fri, 17 Jul 2026 17:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.91999
• Title: Behaviour-Conditioned Neural Processes for Adaptive Residential Short-Term Load Forecasting
• Title（参考訳）: 適応型住宅短期負荷予測のための行動調整型ニューラルプロセス
• Abstract要約: 本研究では、ニューラルネットワークに基づく確率論的モデルに、推論された行動構造を組み込むことができるかどうかを検討する。 本稿では,各負荷プロファイルを予測タスクとして扱う動作条件付注意ニューラルネットワークフレームワークを提案する。 Smart Gridの実験では、Smart Cityデータセットでは、ユーザ不一致のトレイン/バリデーション/テストスプリット、変数コンテキスト長、マルチステップ予測地平線が使用されている。
• 参考スコア（独自算出の注目度）: 1.1240669509034296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Residential short-term load forecasting (STLF) is challenging because household demand is heterogeneous, temporally variable, and shaped by diverse behavioural routines. This work investigates whether inferred behavioural structure can be embedded within the forecasting mechanism of a Neural Process-based probabilistic model, rather than used only as an external grouping signal, for context-conditioned residential STLF. We propose a behaviour-conditioned Attentive Neural Process framework that treats each load profile as a forecasting task. Behavioural structure is represented by a discrete latent variable inferred from the available context and used for behaviour-conditioned decoder conditioning, while a continuous latent variable captures shared functional uncertainty across heterogeneous profiles. To enable conditioning without ground-truth behavioural labels, clustering-derived information provides weak supervision during training, whereas test-time conditioning relies only on context-inferred class distributions. Experiments on the Smart Grid, Smart City (SGSC) dataset use user-disjoint train/validation/test splits, variable context lengths, and multi-step forecast horizons, with comparisons against a label-agnostic ANP baseline and fixed-window deterministic STLF baselines. The proposed variants improve MAE and CRPS over ANP across horizons and context settings, with the largest gains under limited context. The best-performing variant achieves average reductions of 7.9% in MAE and 6.9% in CRPS relative to ANP. Compared with fixed-window baselines, this variant achieves lower RMSE across all evaluated horizons while maintaining competitive MAE, suggesting fewer large prediction deviations under heterogeneous consumption patterns. These results support single-model, uncertainty-aware forecasting across heterogeneous households, contexts, and horizons.
• Abstract（参考訳）: 住宅需要は不均一であり、時間的変動があり、多様な行動ルーチンによって形成されるため、住宅の短期負荷予測(STLF)は困難である。 本研究では、文脈条件付き住宅STLFにおいて、外部グルーピング信号としてのみ使用されるのではなく、ニューラルネットワークに基づく確率的モデルの予測機構内に推論された行動構造を組み込むことができるかを検討する。 本稿では,各負荷プロファイルを予測タスクとして扱う動作条件付注意ニューラルネットワークフレームワークを提案する。 振る舞い構造は、利用可能なコンテキストから推測された離散潜在変数で表現され、振る舞い条件付きデコーダ条件付けに使用される。 地味な行動ラベルを使わずに条件付けを可能にするため、クラスタリングから得られる情報はトレーニング中に弱い監督を与えるが、テスト時条件付けはコンテキスト推論されたクラス分布にのみ依存する。 Smart Grid, Smart City (SGSC)データセットの実験では、ラベルに依存しないAPNベースラインと固定ウィンドウ決定性STLFベースラインとの比較で、ユーザ不随意のトレイン/バリデーション/テストスプリット、可変コンテキスト長、マルチステップ予測水平線が使用されている。 提案した変種は、水平線とコンテキスト設定をまたいだANP上のMAEとCRPSを改善する。 最高性能の変種はMAEが7.9%、CRPSが6.9%減少する。 固定窓ベースラインと比較して、この変種は、競争力のあるMAEを維持しながら、評価されたすべての地平線にわたって低いRMSEを実現し、不均一な消費パターンの下での大きな予測偏差を少なくすることを示唆している。 これらの結果は、異種世帯、状況、地平線における単一モデル、不確実性を考慮した予測をサポートする。

関連論文リスト

• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
  FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。 属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。 PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-05-05T02:31:18Z)
• Joint Embedding Variational Bayes [0.08594140167290097]
  変分ジョイント・エンベディング(VJE)は、関節埋め込みと変分推論を合成するフレームワークである。 VJEは、再構成のない非競合的な環境で確率的表現の自己教師付き学習を可能にする。
  論文  参考訳（メタデータ） (2026-02-05T13:18:53Z)
• FIVA: Federated Inverse Variance Averaging for Universal CT Segmentation with Uncertainty Estimation [4.544160712377809]
  本研究は,多様な腹部CTデータセットにまたがる普遍的なセグメンテーションを実現するための,新しいフェデレーション学習手法を提案する。 提案手法はモデル重みから不確かさを伝搬することにより予測の不確かさを定量化する。 実験により, フェデレーションアグリゲーションと不確実性重み付け推論の品質向上に本手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-08-08T11:34:01Z)
• Locally Adaptive Conformal Inference for Operator Models [5.78532405664684]
  演算子モデルに対して関数値の局所適応予測セットを生成するための分散フリーフレームワークであるLocal Sliced Conformal Inference (LSCI)を紹介する。 我々は有限サンプルの有効性を証明し、局所交換性の下でのカバレッジギャップにデータ依存の上限を導出する。 偏りのある予測や分布外雑音に対する空間を実証的に実証する。
  論文  参考訳（メタデータ） (2025-07-28T16:37:56Z)
• BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。 テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。 我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
  論文  参考訳（メタデータ） (2025-07-11T14:02:54Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)
• Cluster Regularization via a Hierarchical Feature Regression [0.0]
  本稿では,階層的特徴回帰(HFR)という新しいクラスタベース正規化を提案する。 機械学習とグラフ理論の領域からの洞察を動員し、予測セットの教師付き階層表現に沿ってパラメータを推定する。 経済成長予測への応用は、実証的な環境でのHFRの有効性を示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-10T13:03:01Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。