論文の概要: A Real-Time Tsetlin Machine-based Non-intrusive Load Monitoring System on MCUs

• arxiv url: http://arxiv.org/abs/2608.18780v2
• Date: Thu, 27 Aug 2026 14:46:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 14:16:51.48352
• Title: A Real-Time Tsetlin Machine-based Non-intrusive Load Monitoring System on MCUs
• Title（参考訳）: MCUを用いたリアルタイムTsetlinマシンによる非侵入負荷モニタリングシステム
• Authors: Han Wu, Tianhang Tan, Shengyu Duan, Alex Yakovlev, Rishad Shafik, Tousif Rahman,
• Abstract要約: 非侵入負荷モニタリング(NILM)システムは、単一の集約メーターから個々の家電のエネルギー消費を推定する。 従来のNILMシステムは、オフラインデータを処理するために計算集約的な最適化アルゴリズムを使用している。 本稿では,資源制約されたマイクロコントローラ上でのリアルタイムアプリケーションを対象とした,Tsetlin Machine (TM) ベースのNILM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）: 3.5531216068066187
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Non-Intrusive Load Monitoring (NILM) systems estimate individual appliance energy consumption from a single aggregate meter, without requiring separate sensors for each device. By installing a single meter that measures a building's total electricity consumption, NILM algorithms can determine the active status of each appliance. However, traditional NILM systems use computationally intensive optimization algorithms to process offline data, limiting their capability for on-device deployment, where sensitive household data must be processed locally. This paper proposes a Tsetlin Machine (TM)-based NILM framework, targeting real-time applications on resource-constrained microcontrollers (MCUs), enabling privacy-preserving edge deployment. The problem is reformulated as a classification task, and the proposed approach achieves an average precision of 90% and recall of 96% for two-appliance classification, and 77% precision and 80% recall for four appliances on the REDD dataset. The trained model occupies only 17 KB of flash memory and achieves an inference latency of 0.43 ms on an ESP32, demonstrating its suitability for NILM applications on MCUs.
• Abstract（参考訳）: 非侵入負荷モニタリング(NILM)システムは、各デバイスに別々のセンサーを必要とせず、単一の集約メーターから個々の家電のエネルギー消費を推定する。 建物全体の電力消費量を測定する1つのメーターを設置することにより、NILMアルゴリズムは各機器のアクティブな状態を決定することができる。 しかし、従来のNILMシステムは、計算集約的な最適化アルゴリズムを使用してオフラインデータを処理する。 本稿では,資源制約型マイクロコントローラ (MCU) 上でのリアルタイムアプリケーションを対象として,Tsetlin Machine (TM) ベースのNILMフレームワークを提案する。 この問題は分類課題として再検討され,提案手法は,REDDデータセット上の4種類のアプライアンスに対して平均90%の精度と96%のリコール,77%の精度と80%のリコールを実現している。 トレーニングされたモデルは17KBのフラッシュメモリしか持たず、ESP32では0.43msの遅延を達成し、MCU上でのNILMアプリケーションに適していることを示した。

関連論文リスト

• Fully Autonomous Z-Score-Based TinyML Anomaly Detection on Resource-Constrained MCUs Using Power Side-Channel Data [0.13750624267664155]
  本稿では,低消費電力マイクロコントローラに実装した完全自律型Tiny Machine Learning (TinyML) Z-Scoreによる異常検出システムを提案する。 異常は軽量なZスコアしきい値を用いて検出され、組み込み配置に適した解釈可能かつ計算効率の良い推論が可能である。 結果は、精度1.00の精度とリコール、数十マイクロ秒の推論レイテンシ、メモリフットプリント全体の約3.3KBと63KBのフラッシュの完全な検出性能を示す。
  論文  参考訳（メタデータ） (2026-03-28T20:15:50Z)
• NILMFormer: Non-Intrusive Load Monitoring that Accounts for Non-Stationarity [8.687178298010972]
  非侵入負荷モニタリングは、家庭の収集した総消費電力を分散して、個々の家電機器の消費電力を回収する問題である。 NILMの現在の最先端ソリューションは、ディープラーニング(DL)に基づいており、家庭全体の消費状況のサブシーケンスで動作する。 本稿では,新しいサブシーケンス定常化/非定常化方式を組み込んだトランスフォーマーアーキテクチャであるNILMFormerを紹介する。
  論文  参考訳（メタデータ） (2025-06-06T08:46:58Z)
• Low-cost Embedded Breathing Rate Determination Using 802.15.4z IR-UWB Hardware for Remote Healthcare [2.6066253940276347]
  本稿では,超広帯域(UWB)チャネルインパルス応答(CIR)データから呼吸速度を予測するための畳み込みニューラルネットワーク(CNN)を提案する。 46KBのメモリを必要とするnRF52840システムにアルゴリズムをデプロイし,192msの推論時間で動作可能であることを示す。
  論文  参考訳（メタデータ） (2025-04-03T07:54:25Z)
• 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)
• 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)
• Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
  この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。 資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。 これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2024-04-08T20:02:19Z)
• Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
  非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。 NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• A TinyML Platform for On-Device Continual Learning with Quantized Latent Replays [66.62377866022221]
  Latent Replay-based Continual Learning (CL)技術は、原則としてオンライン、サーバレスの適応を可能にする。 10コアのFP32対応並列超低消費電力プロセッサをベースとした,エンドツーエンドCLのためのHW/SWプラットフォームを提案する。 これらの手法を組み合わせることで,64MB未満のメモリを用いて連続学習を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-10-20T11:01:23Z)
• Trimming Feature Extraction and Inference for MCU-based Edge NILM: a Systematic Approach [14.491636333680297]
  非侵入負荷モニタリング(NILM)は、複数の負荷のグローバルな電力消費を、単一のスマート電気メーターから、アプライアンスレベルの詳細に分解することを可能にする。 State-of-the-Artアプローチは機械学習手法に基づいており、電流と電圧センサーからの時間領域と周波数領域の機能の融合を利用する。 低レイテンシNILMを低コストでリソース制約のあるMCUベースのメーターで実行することは、現在オープンな課題である。 本稿では,特徴空間の最適化と,ステート・オブ・ザ・ステートの実行に必要な計算・記憶コストの削減について述べる。
  論文  参考訳（メタデータ） (2021-05-21T12:08:16Z)
• Reinforcement Learning for Minimizing Age of Information in Real-time Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
  本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。 サンプリングポリシを最適化するために,分散強化学習手法を提案する。 PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
  論文  参考訳（メタデータ） (2021-04-04T03:17:26Z)

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。