論文の概要: BayesSeg: A Bayesian Optimization Framework for State Segmentation of Electricity Consumption Time Series

• arxiv url: http://arxiv.org/abs/2608.00513v1
• Date: Sat, 01 Aug 2026 08:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.731714
• Title: BayesSeg: A Bayesian Optimization Framework for State Segmentation of Electricity Consumption Time Series
• Title（参考訳）: BayesSeg: 電力消費時系列の状態セグメンテーションのためのベイズ最適化フレームワーク
• Abstract要約: BayesSegは時系列セグメンテーション、多次元評価、自動パラメータ最適化を統合した統合フレームワークである。 このフレームワークは、重み付き合成スコア0.7149、イベント_F10.9340を達成し、最適化のレイテンシを5300秒から1秒以下に短縮する。
• 参考スコア（独自算出の注目度）: 3.3483950365040855
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In Non-Intrusive Load Monitoring (NILM), adaptive segmentation of electricity consumption time series is critical for appliance recognition. However, prevailing methods face challenges including heuristic parameter tuning, boundary sensitivity, and metric saturation. This paper proposes BayesSeg, a unified framework integrating time-series segmentation, multidimensional evaluation, and automatic parameter optimization. The segmentation layer employs a dual steady-state criterion based on the tail value and mean of preceding subsequences, combined with a sequential extraction and complement-set parsing strategy, to achieve precise unsupervised partitioning of steady-state and transition-state segments. The evaluation layer maps segmentation results to binary state sequences and formulates a composite metric integrating an event-level F1 score (event_F1) with Normalized Mutual Information (NMI). The event_F1 quantifies switching-event precision and recall via tolerance matching, while NMI captures global structural consistency, jointly overcoming the boundary sensitivity and limited discriminability of point-wise metrics. In the optimization layer, the composite score serves as the objective function for Bayesian optimization, which constructs a TPE surrogate model for efficient global parameter-space exploration. Experiments on the SustDataED2 dataset demonstrate that Bayesian optimization requires only ~100 objective evaluations to locate a parameter region within 0.35% deviation of the exhaustive grid-search optimum. The framework achieves a weighted composite score of 0.7149 and an event_F1 of 0.9340 while reducing optimization latency from ~5300 seconds to under 1 second, a speedup exceeding 5700x. BayesSeg automates segmentation configuration and provides a scalable, efficient solution for time-series analysis in NILM and related domains.
• Abstract（参考訳）: 非侵入負荷モニタリング(NILM)では、アプライアンス認識において電力消費時系列の適応セグメンテーションが重要である。 しかし,本手法は,ヒューリスティックパラメータチューニング,境界感度,計量飽和といった課題に直面している。 本稿では,時系列セグメンテーション,多次元評価,自動パラメータ最適化を統合した統合フレームワークBayesSegを提案する。 セグメンテーション層は、先行サブシーケンスのテール値と平均に基づく2つの定常条件とシーケンシャル抽出と補集合解析戦略を組み合わせて、定常セグメントと遷移状態セグメントの正確な非教師なし分割を実現する。 評価層は、セグメンテーション結果をバイナリ状態シーケンスにマッピングし、イベントレベルF1スコア(event_F1)と正規化相互情報(NMI)を統合する複合メトリックを定式化する。 イベント_F1は、トレランスマッチングによるスイッチングイベント精度とリコールを定量化し、NMIは、境界感度とポイントワイドメトリクスの限定的識別性を相殺しながら、グローバルな構造一貫性をキャプチャする。 最適化層では、合成スコアがベイズ最適化の目的関数として機能し、効率的な大域的パラメータ空間探索のためのTPEサロゲートモデルを構築する。 SustDataED2データセットの実験では、網羅的グリッド探索最適値の0.35%の範囲内でパラメータ領域を見つけるためには、ベイズ最適化がわずか100の客観的評価を必要とすることが示されている。 このフレームワークは、重み付き合成スコア0.7149、イベント_F10.9340を達成し、最適化のレイテンシを約5300秒から1秒以下に短縮し、スピードアップは5700倍を超える。 BayesSegはセグメント設定を自動化し、NILMと関連するドメインで時系列分析のためのスケーラブルで効率的なソリューションを提供する。

関連論文リスト

• Bayesian optimization with kernel ensembles and disagreement-based acquisition for source localization and acoustic inversion [12.760068476185504]
  共同音源定位とジオアコースティック・インバージョンは、高価なノーマルモード伝搬モデルから構築された目的を最適化する必要がある。 我々は、異なるカーネルファミリーを持つGPの重み付けアンサンブルを用いて、観測対象に前もって1つのカーネルにコミットすることなく適応する。 SWellEx-96データのシミュレーションおよび測定実験により, 得られた手法が最下位の目標を達成することが示された。
  論文  参考訳（メタデータ） (2026-09-13T03:52:00Z)
• Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
  イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。 本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。 公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
  論文  参考訳（メタデータ） (2026-08-25T08:27:42Z)
• Bayesian Optimization for Learning Nonlinear MPC in Autonomous Agent Navigation [0.0]
  提案するフレームワークはロボット非依存であり,ガゼボを用いたシミュレーションにおいて,Unitree Go2の4倍の精度で評価されている。 完全なシステムは、デプロイ時に最大90.0%のナビゲーション成功率を達成するとともに、シミュレーション環境全体の評価指標を平均38.9%改善する。
  論文  参考訳（メタデータ） (2026-06-08T16:08:09Z)
• EventShiftFlow: Towards Hardware-efficient FPGA-based Flow Estimation [43.77587889970362]
  イベントベースの視覚センサは、非同期で高時間分解能の測定を提供する。 多くの事象に基づく動き推定法は計算集約的であり、FPGAハードウェアにマップすることは困難である。 本稿では,非同期イベントを固定時間ビンに離散化し,1ビット空間占有格子を構築し,複数の速度仮説を並列に評価するストリーミング速度推定器を提案する。
  論文  参考訳（メタデータ） (2026-05-27T11:13:58Z)
• AutoQRA: Joint Optimization of Mixed-Precision Quantization and Low-rank Adapters for Efficient LLM Fine-Tuning [23.59600455731982]
  混合量子化微調整プロセスにおいて,各レイヤのビット幅とLoRAランク設定を同時に最適化する共同最適化フレームワークを提案する。 実験によると、AutoQRAは、均一な4ビットメソッドに匹敵するメモリフットプリントで、完全精度の微調整に近いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-25T07:18:08Z)
• Functional Continuous Decomposition [0.0]
  本稿では,様々な数学関数に対してパラメトリックかつ連続的な最適化を行うJAXアクセラレーションフレームワークであるFCDを提案する。 FCDは、信号時間パターン、最適化されたパラメータ、微分、分解の積分の分析に一般的に用いられる。 最適化関数値やパラメータ,デリバティブなどのFCD機能を拡張した畳み込みニューラルネットワークが,標準CNNよりも16.8%,精度2.5%向上したことを示す。
  論文  参考訳（メタデータ） (2026-02-24T12:58:21Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• FORTRESS: Function-composition Optimized Real-Time Resilient Structural Segmentation via Kolmogorov-Arnold Enhanced Spatial Attention Networks [1.663204995903499]
  FORTRESS (Function-composition Optimized Real-Time Resilient Structure) は、特別な手法を用いて精度と速度のバランスをとる新しいアーキテクチャである。 Fortressには,系統的に分離可能な畳み込みフレームワーク,適応型TiKAN統合,マルチスケールアテンション融合という,3つの重要なイノベーションが含まれている。 このアーキテクチャは 91% のパラメータ還元 (31M から 2.9M) 、91% の計算複雑性低減 (13.7 から 1.17 GFLOPs) 、および 3倍の推論速度向上によって、顕著な効率向上を実現している。
  論文  参考訳（メタデータ） (2025-07-16T23:17:58Z)
• Continual Adaptation: Environment-Conditional Parameter Generation for Object Detection in Dynamic Scenarios [54.58186816693791]
  環境は時間と空間によって常に変化し、クローズドセットの仮定に基づいて訓練された物体検出器にとって重要な課題となる。 そこで本研究では,微調整過程をパラメータ生成に変換する機構を提案する。 特に,2経路LoRAベースのドメイン認識アダプタを最初に設計し,特徴をドメイン不変およびドメイン固有コンポーネントに分解する。
  論文  参考訳（メタデータ） (2025-06-30T17:14:12Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Event-Triggered Time-Varying Bayesian Optimization [47.30677525394649]
  本稿では,対象関数の変化を検出してデータセットをリセットするまで,最適化問題を静的に扱うイベントトリガーアルゴリズムET-GP-UCBを提案する。 これにより、アルゴリズムは正確な事前知識を必要とせずに、オンラインで時間変化を実現することができる。 時間的変化を正確に知ることなく、適応的リセットに対する後悔境界を導出し、ET-GP-UCBが合成データと実世界のデータの両方で競合するGP-UCBアルゴリズムより優れていることを示す数値実験を行った。
  論文  参考訳（メタデータ） (2022-08-23T07:50:52Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion [62.269219152425556]
  セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。 本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。 アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2022-02-21T15:30:14Z)

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。