[論文レビュー] Lightweight and Scalable Transfer Learning Framework for Load Disaggregation

L. E. Garcia-Marrero, G. Petrone+1 more|arXiv (Cornell University)|Mar 5, 2026

Smart Grid Energy Management被引用数 0

ひとこと要約

この論文は RefQuery を提案する。これは事前学習済みの分解ネットワークを固定したまま、軽量な各機器埋め込みを学習して、複数の機器に対するスケーラブルでエッジに適した転移学習を実現する appliance-conditioned NILM フレームワークである。クロスドメインデータセットで、適応コストを削減しつつ競争力のある精度を示す。

ABSTRACT

Non-Intrusive Load Monitoring (NILM) aims to estimate appliance-level consumption from aggregate electrical signals recorded at a single measurement point. In recent years, the field has increasingly adopted deep learning approaches; however, cross-domain generalization remains a persistent challenge due to variations in appliance characteristics, usage patterns, and background loads across homes. Transfer learning provides a practical paradigm to adapt models with limited target data. However, existing methods often assume a fixed appliance set, lack flexibility for evolving real-world deployments, remain unsuitable for edge devices, or scale poorly for real-time operation. This paper proposes RefQuery, a scalable multi-appliance, multi-task NILM framework that conditions disaggregation on compact appliance fingerprints, allowing one shared model to serve many appliances without a fixed output set. RefQuery keeps a pretrained disaggregation network fully frozen and adapts to a target home by learning only a per-appliance embedding during a lightweight backpropagation stage. Experiments on three public datasets demonstrate that RefQuery delivers a strong accuracy-efficiency trade-off against single-appliance and multi-appliance baselines, including modern Transformer-based methods. These results support RefQuery as a practical path toward scalable, real-time NILM on resource-constrained edge devices.

研究の動機と目的

• 低サンプリングレートやプライバシー要件などの制約下でのエッジデバイス向け NILM のモチベーション.
• 固定出力セットや大規模な各機器モデルを避ける、スケーラブルなマルチ機器 NILM フレームワークの開発.
• コンパクトな機器埋め込みを学習することによる軽量なターゲットドメイン適応の実現.
• クロスドメイン転移の効率と、リソース制約下の実時間性を実証。

提案手法

• 参照窓とクエリ窓の両方をエンコードする共有1-D CNN特徴抽出器を用いて、埋め込み次元をEとする。
• 相互作用項（e_r, e_q, (e_q - e_r)^2, e_q ⊙ e_r）を含む結合された参照埋め込みとクエリ埋め込みに条件づけを行い、マルチタスクヘッドで分解を行う。
• 各入力窓ごとに機器電力（z正規化付き）とON/OFF状態（シグモイド付き）を同時に予測する。
• Stage I：ソースドメインの完全ラベル付きデータで、再利用可能な機器条件付き分解を学習する。
• Stage II：ターゲットドメイン適応ではバックボーンを凍結し、軽量なバックプロパagationを用いて次元Eの各機器の参照埋め込みe_r^(k)を学習する。
• Stage III：推論では固定埋め込みを用いてターゲット主幹をリアルタイムに分解する。

実験結果

リサーチクエスチョン

• RQ1 単一の共有モデルが、固定出力セットを持たずに、コンパクトな機器埋め込みで条件付けすることで複数の機器を分解できるか。
• RQ2 軽量な各機器埋め込み適応が、ターゲットデータが限られていても効果的なクロスドメイン転移を可能にするか。
• RQ3 提案手法 RefQuery は、エッジ実装の NILM をリソース制約下でリアルタイムに実行し、拡張機器追加にも適用可能なスケーラビリティと効率性を持つか。

主な発見

• RefQuery は、UK-DALE、REDD などのクロスドメイン NILM データセットとシナリオで、最先端ベースラインと比較して競争力のある精度を達成する。
• 全データ適応では、RefQuery は MAE および F1 の性能が高く、特に Dish Washer や Washing Machine のような多状態機器に対して一貫性が高い。
• データ数が限られる適応では、RefQuery は総合的な性能が最も高く、特に F1 スコアで優位となり、各機器につき E パラメータのみを更新することで適応コストを低く維持する。
• RefQuery は精度と効率のトレードオフに好適性を示し、ストレージ・適応要件を削減して実用的なオンデバイス NILM および機器追加の段階的拡張を支援する。