論文の概要: Multi-Appliance Non-Intrusive Load Monitoring via Label-Preserving Aggregate Recomposition and Prediction Consistency

• arxiv url: http://arxiv.org/abs/2609.18315v1
• Date: Wed, 16 Sep 2026 08:35:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.714196
• Title: Multi-Appliance Non-Intrusive Load Monitoring via Label-Preserving Aggregate Recomposition and Prediction Consistency
• Title（参考訳）: ラベル保存アグリゲート再構成と予測整合性によるマルチアプリケーション非侵入負荷モニタリング
• Abstract要約: 非侵入負荷監視(NILM)は、アプライアンス電力列を集約電力から推定する。 源泉家庭で訓練されたモデルは、通常、目に見えない家庭では精度が低下する。 ラベル保存集合再構成と予測整合性を組み合わせた。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-intrusive load monitoring (NILM) estimates appliance power sequences from aggregate power, but models trained on source households commonly lose accuracy in unseen households. Aggregate power also contains loads from other appliances and measurement error, so predictions may depend on the residual background that co-occurs with source-household targets. Time-aligned submetered measurements and the additive decomposition of aggregate power expose a relation unused by window-wise supervision: an aggregate window can be recomposed by replacing only its residual background while preserving all modeled target-appliance power sequences pointwise. We combine label-preserving aggregate recomposition with prediction consistency. Both windows receive complete power and operating-state supervision. For each appliance, disagreement between the two power predictions is penalized only when both satisfy a fixed reliability criterion and only to the extent that it exceeds a fixed margin. The proposed method is implemented using a multi-appliance architecture with two-stage shared-to-specific mixture-of-experts routing. On REDD, UK-DALE, and REFIT, the proposed method lowers appliance-averaged mean absolute error relative to single-window training from 14.75 to 13.14 W, from 8.88 to 8.51 W, and from 15.83 to 14.55 W. Label-preserving aggregate recomposition and prediction consistency are used only during training, and add no inference-time module or parameter.
• Abstract（参考訳）: 非侵入負荷モニタリング(NILM)は、アプライアンス電力シーケンスを集約電力から推定するが、ソース家庭で訓練されたモデルは、通常、目に見えない家庭では精度が低下する。 集約電力は、他のアプライアンスからの負荷や測定誤差も含んでいるため、予測はソース・ホールド・ターゲットと共起する残留背景に依存する可能性がある。 時間軸のサブメータ測定とアグリゲートパワーの付加分解は、ウィンドウワイズ・インスペクションによって使用されていない関係を露呈する:アグリゲート・ウィンドウは、すべてのモデル化されたターゲット・アプライアンス・パワー・シーケンスをポイントワイズに保ちながら、残りの背景だけを置き換えて再構成することができる。 ラベル保存集合再構成と予測整合性を組み合わせた。 両窓は完全な電力と運転状態の監督を受けている。 各アプライアンスに対して、2つのパワー予測の相違は、両者が固定された信頼性基準を満たした場合にのみ罰せられる。 提案手法は,マルチアプライアンスアーキテクチャを用いて,2段階の共有-特定混合-専門家間ルーティングを用いて実装する。 提案手法は,REDD, UK-DALE, REFITにおいて, 単ウィンドウトレーニングに対する平均平均絶対誤差を平均14.75から13.14W, 8.88から8.51W, 15.83から14.55W, ラベル保存集約の分解と予測一貫性をトレーニング時にのみ使用し, 推論時モジュールやパラメータを追加しない。

関連論文リスト

• CoRe: Coherence and Relational Alignment for Multivariate Time Series Forecasting [8.352639988630711]
  直接多変量予測のためのモデルに依存しない学習目標であるCoReを提案する。 CoReは2つの出力空間制約でポイントワイズ管理を置き換える。 トレーニング可能なパラメータを導入せず、損失だけを変更して既存の予測バックボーンに適用することができる。
  論文  参考訳（メタデータ） (2026-09-17T04:15:11Z)
• Predictive Likelihood Ratios for Language Model Watermark Detection [3.8200540264474907]
  キー付き透かし検出テストは、秘密鍵から再構成された観測トークンと擬似ランダム変数間の依存度である。 我々は、不確実な確率欠陥と残尾分布よりも平均となる予測可能性比を構築した。
  論文  参考訳（メタデータ） (2026-09-14T14:39:29Z)
• Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
  Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。 本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:06:18Z)
• ARC: Adaptive Robust Joint State and Covariance Estimation [42.045109659898465]
  センサの測定は、外れ値と非ガウスノイズによって頻繁に破壊される。 センサデータのこれらの不完全性は、古典的状態推定器がバイアス付きで信頼性の低い状態と不確実性の推定を発生させる可能性がある。 本稿では,標準対応型適応ロバスト損失と反復重み付けされたLast-Squares状態更新を組み合わせたBlock-Coordinate Descentフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-18T16:09:50Z)
• Online Conformal Prediction for Non-Exchangeable Panel Data [0.0]
  交換不能なパネルデータのための簡単なオンラインコンフォメーションフレームワークを提案する。 この手法はオンラインパネル予測の重要な特徴を生かし、1つのユニットに予測が必要な場合、関連ユニットからの同時結果がすでに観測されている。
  論文  参考訳（メタデータ） (2026-05-18T00:02:11Z)
• Bayesian Uncertainty Quantification with Anchored Ensembles for Robust EV Power Consumption Prediction [0.8602553195689513]
  EVパワー推定は、レンジ予測とエネルギー管理の基盤となっているが、実践者はポイント精度と信頼できる不確実性の両方を必要としている。 本稿では,不確かさを両立させるアンロックアンサンブル長短記憶(LSTM)を提案する。 RMSE 3.36 +/- 1.10, MAE 2.21 +/- 0.89, R-squared = 0.93 +/- 0.02, 共分散 0.93 +/- 0.02 を解析し, ほぼノルミナルカバレッジを持つよく校正された不確かさ帯域を提供する。
  論文  参考訳（メタデータ） (2025-11-09T20:49:42Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)

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。