論文の概要: What matters in classical machine learning for non-intrusive load monitoring? A factorial benchmark on REFIT with validation on unseen houses
- arxiv url: http://arxiv.org/abs/2611.00920v1
- Date: Sat, 31 Oct 2026 13:22:01 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:59:44.145909
- Title: What matters in classical machine learning for non-intrusive load monitoring? A factorial benchmark on REFIT with validation on unseen houses
- Title（参考訳）: 非侵入的負荷モニタリングのための古典的機械学習の課題 : 未知の家に対する検証を伴うREFITの因子的ベンチマーク
- Abstract要約: 本研究は,非侵襲負荷モニタリングにおけるアプライアンスON/OFF分類のための古典的な機械学習結果をディープラーニング結果から分離する。
その結果、建物における低コストの家電監視を支援し、NILMレポートチェックリストを作成できる。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Published classical machine-learning results for appliance ON/OFF classification in nonintrusive load monitoring (NILM) range from F1-type scores of 0.53 to 0.98, and the sources of this spread have not been separated. This study separates them with a factorial benchmark on REFIT: seven models, two feature sets and four class-imbalance strategies for five appliances (270 fitted configurations), each evaluated by pooled nested cross-validation and on houses unseen during training, with robustness checks. An analysis of variance shows that the appliance explains 38% of the variance in F1, the feature set 13% and the model only 8%. Engineered rolling-window features raised the mean F1 score by 52% under both protocols. Other conclusions changed on unseen houses: the support-weighted F1 score of the best pooled configurations fell from 0.548 to 0.447, the differences between the models selected by pooled validation were no longer significant, and the benefit of class weighting over no correction rose from 32% to 69%. In a nested comparison, house-grouped selection on the training houses improved F1 on unseen houses for three of five appliances, by up to 0.110, and was within 0.007 for the other two. These findings held across four house partitions and without the solar-affected houses. A same-protocol convolutional network reached a weighted F1 score of 0.50, about 0.05 above the classical models (0.45) and far below the published deep-learning scores of 0.78 to 0.91, which were obtained under a different protocol. The results support low-cost appliance monitoring in buildings and yield a NILM reporting checklist.
- Abstract（参考訳）: 非侵入負荷モニタリング(NILM)における機器ON/OFF分類のための古典的機械学習結果がF1型スコア0.53から0.98の範囲で公表され、この拡散の源泉は分離されていない。
7つのモデル、2つの特徴セット、4つのクラス不均衡戦略を5つのアプライアンス(270個のアプライアンス配置)で評価し、それぞれがプールされたネスト型クロスバリデーションと、トレーニング中に見えない家のロバストネスチェックで評価する。
分散の分析では、F1の分散の38%、特徴が13%、モデルが8%しか説明できないことが示されている。
エンジニアによるローリングウインドウの機能は、両方のプロトコルでF1の平均スコアを52%引き上げた。
ベストプール構成の支持重み付けF1スコアは0.548から0.447に低下し、プールバリデーションで選択されたモデルの違いはもはや重要ではなく、修正なしのクラス重み付けの利点は32%から69%に増加した。
巣付き比較では、トレーニングハウスでの住宅群選択により、5つの家電のうち3つでF1が改善され、他の2つでは0.007未満となった。
これらの発見は4つの住宅区画にまたがって行われ、太陽の影響を受けない。
同じプロトコール畳み込みネットワークは重み付きF1スコア(0.50点、古典的なモデル(0.45点)より約0.05点、出版されたディープラーニングスコア(0.78点から0.91点)をはるかに下回った。
その結果、建物における低コストの家電監視を支援し、NILMレポートチェックリストを作成できる。
関連論文リスト
- Storage Is Not Strategy: State-Conditioned Support Control for LLM Unlearning [23.660463189596257]
ローカライズされた大言語モデル(LLM)アンラーニング手法は、ローカライズ信号から小さなパラメータサブセットを選択し、最適化中にそれを固定し続ける。
我々は、実際の未学習更新の予測効果によって編集可能なグループをランク付けするインターベンションスコアを導入する。
次に、選択的動的介入再分類(DIR-R)を導入し、記述的プローブが比較を正当化するときにのみその部分集合を再検討する。
論文 参考訳（メタデータ） (2026-09-29T15:44:42Z) - Neutrosophic Ensemble Classification for Uncertainty-Aware Bearing Fault Detection: Evidence from Laboratory and Variable-Speed Industrial Benchmarks [0.0]
我々は、ランダムフォレスト+XGBoost+ロジスティック回帰アンサンブルの洗練されたニュートロゾフィック分解を4つの指標に操作する。
I1-hatはT-hat/F-hat以上のエラーと堅牢な相関を示すが、I2-hatはほとんど寄与しない。
CWRUだけでは、文学的に検証された断層周波数は、封筒スペクトルを介して正しく復調され、ほとんどの断層クラスはほぼ完全に分離された。
論文 参考訳（メタデータ） (2026-09-18T18:24:20Z) - Vision-Language Models for Criterion-Level Grading of Handwritten Examinations in Outcome-Based Education [0.3686530147760243]
本研究は手書き結果に基づく評価のための視覚言語モデルを評価する。
Qwen2.5-VL、InternVL3、Pixtral、Donutベースライン、カスケードアンサンブルにまたがる20の構成を比較した。
論文 参考訳（メタデータ） (2026-09-13T04:55:55Z) - GroundBench: A Factorized, Counterfactual Benchmark for Locating VLM Affordance Failures [0.0]
コンパニオン評価により、8つの視覚言語モデルにおいて、操作中の対象部位の命名により動作精度が0.32-0.63向上することが判明した。
しかし、部品の命名は、実際のシステムが推論し、視覚的接地、機械的推論、カテゴリー対アクションの関連性を見極めなければならない情報を提供する。
GroundBenchは、これらの説明を6つのブランチ・アンド・マージ条件で分離する診断ベンチマークである。
論文 参考訳（メタデータ） (2026-09-10T14:52:26Z) - The Blending Ratio Is Not Where the Performance Is: Diagnosing Prototype Blending for Few-Shot Adaptation of Vision-Language Models [22.461983628330277]
多くの少数ショット適応手法は、ゼロショットテキストプロトタイプとKラベル付き画像特徴の平均の凸の組み合わせで分類される。
正しい比率は何か、検証データなしで見積もることができるのか、パフォーマンスがどこにあるのかを尋ねる。
4800以上の細胞(SigLIPを含む5つのバックボーン、5つのショットカウント、5つのシード、4つのプロンプトレベル)が、理論上最適な比率は間違った量の信頼できる推定値である。
検証不要な線形プローブは、オラクルチューニングされたブレンド(CLAPは+1.9ポイント、LP++は+1.5ポイント)を破る。
論文 参考訳（メタデータ） (2026-08-23T15:02:33Z) - Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。
生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。
現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
論文 参考訳（メタデータ） (2026-08-17T09:53:27Z) - When Does Few-Shot Prompting Help? A Systematic Empirical Study of Shot-Count Effects Across Model Scale, Architecture, and Output Parsing Robustness [0.0]
少数のインプット・アウトプット・デモペアをクエリにプリプロンプトして大きな言語モデルに提示する手法であるFew-shot promptingは、NLPで広く採用されている。
しかし、分類性能において、ショットカウントがモデルスケール、アーキテクチャ、出力フォーマットのコンプライアンスとどのように相互作用するかについて、体系的な研究はほとんど行われていない。
論文 参考訳（メタデータ） (2026-07-25T00:31:40Z) - Closed-loop Auto Research for Molecular Property Prediction: Discovering and Certifying Generalizable Improvements [23.74905101390208]
クローズドループのAuto Researchは、機械学習を固定データセットフィッティングから研究ワークフローの変更まで拡張する。
この作用空間が、それらを選択する検証信号を超えた一般化をもたらすかどうかを問う。
3つのベンチマークスイートの36以上のエンドポイントで、検索が決して読まれないホールドアウトテストで、選択した構成をスコア付けします。
論文 参考訳（メタデータ） (2026-06-22T00:18:27Z) - Let the Results Speak: A Replication-First Paradigm for LLM Behavioral Benchmarking [22.825786049667602]
本稿では,1つのヒト・ラタのコンセンサスに有効性を確保するために,複製第一パラダイムを提案する。
楽器を4つの特性で認証する - Kランの信頼性、アーキテクチャ的に異なる審査員間のクロスインストラクトレプリケーション、以前のトレーニングコホートからの審査員による歴史的フットプリントキャリブレーション、事前登録された予測。
本研究は, 自己発達型データ駆動による情緒的伴奏で, 次元は事前に決められず, 手順は9次元に安定化する。
論文 参考訳（メタデータ） (2026-05-27T03:41:11Z)
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。