上下文监督源分离及其在能源分解中的应用
机器学习
2013-12-19 v1 机器学习
最优化与控制
摘要
我们提出了一种介于全监督和无监督设置之间的单通道源分离新框架。我们不使用监督信号，而是为每个源信号提供输入特征，并利用凸方法估计这些特征与未观测到的信号分解之间的相关性。我们从理论上分析了 损失的情况，表明信号分量的恢复仅取决于不同信号特征之间的互相关性，而不取决于同一信号特征之间的相关性。上下文监督源分离非常适用于拥有大量数据但缺乏显式监督的领域；我们的激励应用是每小时智能电表数据的能源分解（将家庭总功率信号分离为不同的能源用途）。在此，我们应用上下文监督方法对数千户家庭四年间的能源使用进行了分解，其规模显著大于此前发表的研究，并在合成数据上证明了我们的方法优于无监督方法。
引用
@article{arxiv.1312.5023,
title = {Contextually Supervised Source Separation with Application to Energy Disaggregation},
author = {Matt Wytock and J. Zico Kolter},
journal= {arXiv preprint arXiv:1312.5023},
year = {2013}
}