論文の概要: Ask for Any Appliance: A Prompt-Programmable Foundation Model for Non-Intrusive Load Monitoring

• arxiv url: http://arxiv.org/abs/2609.23146v1
• Date: Sat, 19 Sep 2026 17:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.688807
• Title: Ask for Any Appliance: A Prompt-Programmable Foundation Model for Non-Intrusive Load Monitoring
• Title（参考訳）: Ask for Any Appliance: Intrusive Load MonitoringのためのPrompt-Programmable Foundation Model
• Abstract要約: 非侵入負荷監視(NILM)は、家庭全体の機器レベルの消費を推定する。 FM4NILMは,要求された機器の電力トラジェクトリを集約計測から推定する,単一のプロンプトプログラム可能なモデルである。
• 参考スコア（独自算出の注目度）: 14.98957908059984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-intrusive load monitoring (NILM) estimates appliance-level consumption from a whole-home meter, but appliance-specific models and fixed output inventories make coverage costly to extend. We present FM4NILM (Foundation Model for NILM), a single prompt-programmable model that estimates a requested appliance's power trajectory from aggregate measurements, a natural-language description, and optional activation exemplars. A lightweight cadence-aware transformer is pretrained by masked reconstruction on 645k sequences from seven public corpora spanning 1-60 s sampling intervals, then aligned with appliance requests using observation-masked losses for partially labeled households. A Bernoulli-lognormal decoder separates activity detection from conditional power estimation. On held-out households and time periods from REDD, UK-DALE, and REFIT, one frozen text-prompted model serves twelve appliance-corpus requests, achieving 0.556 event F1, 0.625 AUPRC, and the lowest active-window MAE (251.8 W) among seven appliance-specific baselines. Streaming score aggregation raises event F1 to 0.582 with a 60 s aggregation delay. In a separate category-held-out evaluation, adding ten activation exemplars raises microwave AUPRC from 0.132 to 0.214 without parameter updates. Input-intervention ablations probe the model's dependence on appliance requests and aggregate measurements. These results demonstrate competitive disaggregation with one shared model and support extending appliance coverage through prompts and examples rather than additional specialist networks.
• Abstract（参考訳）: 非侵入負荷監視(NILM)は、家庭全体の機器レベルの消費を見積もるが、家電固有のモデルと固定出力在庫は、カバー範囲を拡大するのにコストがかかる。 提案するFM4NILM(Foundation Model for NILM)は,要求された機器の電力トラジェクトリをアグリゲーション測定,自然言語記述,任意のアクティベーションエクスプローラから推定する,単一のプロンプトプログラム可能なモデルである。 1～60秒のサンプリング間隔にまたがる7つの公共コーパスから645kのシークエンスをマスクで再構成し、部分的にラベル付けされた家庭で観察された損失を利用した家電要求に合わせることで、軽量カデンス対応トランスフォーマーを事前訓練する。 Bernoulli-lognormal decoderは、条件パワー推定からアクティビティ検出を分離する。 REDD、UK-DALE、REFITの保留世帯と時間帯では、凍結されたテキストプロンプトが12のアプライアンスコーパス要求を処理し、0.556のイベントF1、0.625 AUPRC、そして7つのアプライアンス固有のベースラインの中で最低のアクティブウィンドウMAE (251.8 W)を達成している。 ストリーミングスコアアグリゲーションは、イベントF1を60秒のアグリゲーション遅延で0.582に上げる。 10個のアクティベーションエスペクタを追加すると、パラメータ更新なしでマイクロ波AUPRCが0.132から0.214に上昇する。 インプット・インターベンション・アブレーションは、アプライアンス要求とアグリゲーション測定へのモデルの依存を調査する。 これらの結果は,1つの共有モデルによる競合的不合理化を実証し,追加の専門的ネットワークではなく,プロンプトや実例によるアプライアンスカバレッジの拡張を支援する。

関連論文リスト

• IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
  産業プロセス監視基盤モデル(IPM-FM)を提案する。 まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。 少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
  論文  参考訳（メタデータ） (2026-09-08T07:43:04Z)
• From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix [55.08143827481755]
  200以上の内部アプリケーションから1つのモデルにトラフィックを集約します。 我々は、各軸ごとに別々のGRPOエキスパートを訓練し、2段階のSLERPを介してそれらをマージする。 このモデルは、プラットフォームトラフィックの50%、月1億6600万リクエストをサービスコストのごく一部で吸収する。
  論文  参考訳（メタデータ） (2026-09-01T17:39:26Z)
• A Real-Time Tsetlin Machine-based Non-intrusive Load Monitoring System on MCUs [3.5531216068066187]
  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。
  論文  参考訳（メタデータ） (2026-08-19T10:35:14Z)
• Multivariate time-series forecasting of ASTRI-Horn monitoring data: A Normal Behavior Model [29.749836788447226]
  この分析は、望遠鏡制御ユニットが2022年9月から2024年7月までに取得した15の物理変数に焦点を当てた。 このモデルは、異なる機能とI-T構成で一貫した結果を示した。 提案したNBMは,オンラインASTRI-Horn監視時系列における早期異常検出を可能にする強力なツールを提供する。
  論文  参考訳（メタデータ） (2026-02-23T15:51:50Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Fusion-ResNet: A Lightweight multi-label NILM Model Using PCA-ICA Feature Fusion [0.0]
  非侵入負荷監視(NILM)は、家庭の総消費電力を個々の家電の消費に分解するためにデータ駆動アルゴリズムを使用する。 本研究では、高周波ラベル付きデータ、特徴抽出方法、軽量ニューラルネットワークからなるNILM分類タスクのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-15T10:10:46Z)
• DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation [68.55191764622525]
  拡散モデル(DPM)は、視覚合成において顕著な性能を示すが、サンプリング中に複数の評価を必要とするため、計算コストが高い。 最近の予測器合成・拡散サンプリング装置は,要求される評価回数を大幅に削減したが,本質的には誤調整の問題に悩まされている。 我々はDC-CPRrと呼ばれる新しい高速DPMサンプリング装置を導入する。
  論文  参考訳（メタデータ） (2024-09-05T17:59:46Z)
• Prior Flow Variational Autoencoder: A density estimation model for Non-Intrusive Load Monitoring [0.0]
  非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、電力負荷のアプライアンスを1メートル単位で測定した全消費から推定する手法である。 本研究では,各機器の電力需要を推定するために,条件付き変分正規化フローモデルと条件付き変分オートエンコーダを結合する,ディープニューラルネットワークに基づく条件付き密度推定モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-30T15:05:59Z)

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。