This paper addresses the problem of

This paper addresses the problem of learning a on-line
classification model that can differentiate between partial
discharges and noise. Nevertheless, labelled data is required
in order to build such PD detection model. Consequently, we
investigate an active learning (AL) approach for streaming
classification that aims to maintain an on-line model that is
robust to class imbalances. To the best of our knowledge this
is the first work that proposes to use AL for PD classification.
The empirical evaluation shows that the proposed AL approach
is able to achieve over 80% accuracy in noisy scenarios
with minimal expert dependence (only 2% of the labelled
instances). This is an important result for PD detection since
expert feedback is expensive and not always available. In
addition, we studied the impact of the class distribution on
ability of different AL strategies to learn an accurate PD
classifier. The results show that the the AL strategies with
variable thresholds or that include random selection are good
candidates for this challenging learning scenario. In future
work, we plan to create an alternative AL strategy that deals
explicitly with the class imbalance problem. Moreover, we
want to extend the current results to the muticlass problem,
that can differentiate the type of PD signals (e.g., internal,
surface, corona) as this additional information can support
more effective maintenance.

ผลลัพธ์ (ไทย) 1:

กระดาษนี้สำหรับปัญหาของการเรียนรู้แบบออนไลน์รูปแบบการจัดประเภทที่สามารถแยกแยะระหว่างบางส่วนปล่อยและเสียงรบกวน อย่างไรก็ตาม มีป้ายชื่อข้อมูลจำเป็นการสร้างแบบตรวจจับเช่น PD ดังนั้น เราตรวจสอบวิธีการเรียนรู้ (AL) การใช้งานสตรีมมิ่งการจัดประเภทที่มีวัตถุประสงค์เพื่อรักษาแบบออนไลน์ที่ทนทานให้ความไม่สมดุลของระดับ ที่สุดของความรู้ของเรานี้เป็นงานแรกที่เสนอให้ใช้อัลสำหรับการจัดประเภทของ PDการประเมินเชิงประจักษ์แสดงให้เห็นว่าวิธีอัลเสนอจะสามารถประสบความสำเร็จมากกว่า 80% ความถูกต้องในสถานการณ์เสียงดังด้วยการพึ่งพาผู้เชี่ยวชาญน้อยที่สุด (เพียง 2% ของการติดป้ายอินสแตนซ์) นี่คือผลลัพธ์สำคัญสำหรับการตรวจหา PD ตั้งแต่ความคิดเห็นจากผู้เชี่ยวชาญมีราคาแพง และไม่ได้อยู่ตลอด ในนอกจากนี้ เราศึกษาผลกระทบของการกระจายชั้นบนความสามารถของกลยุทธ์ที่แตกต่างของอัลเรียน PD ถูกต้องลักษณนาม ผลลัพธ์แสดงว่าการกลยุทธ์อัลด้วยตัวแปรเกณฑ์หรือที่มีการสุ่มเลือกดีสมัครสำหรับสถานการณ์การเรียนรู้ที่ท้าทายนี้ ในอนาคตทำงาน ที่เราวางแผนการสร้างกลยุทธ์อัลเป็นทางเลือกที่มีปัญหาความไม่สมดุลของระดับอย่างชัดเจน นอกจากนี้ เราต้องการขยายผลลัพธ์ปัจจุบันปัญหา muticlassที่สามารถแยกแยะชนิดของ PD สัญญาณ (เช่น ภาย ในพื้นผิว โคโรน่า) ข้อมูลเพิ่มเติมนี้สามารถสนับสนุนการบำรุงรักษาที่มีประสิทธิภาพมากขึ้น

ผลลัพธ์ (ไทย) 2:

กระดาษนี้อยู่ปัญหาของการเรียนรู้ในบรรทัด
รูปแบบการจัดหมวดหมู่ที่สามารถแยกความแตกต่างระหว่างส่วน
การปล่อยของเสียและเสียงรบกวน อย่างไรก็ตามข้อมูลที่มีข้อความเป็นสิ่งจำเป็น
เพื่อสร้างรูปแบบการตรวจ PD ดังกล่าว ดังนั้นเราจึง
ตรวจสอบการเรียนรู้การใช้งาน (AL) วิธีการสำหรับการสตรีม
การจัดหมวดหมู่ที่มีจุดมุ่งหมายที่จะรักษารูปแบบ On-line ที่มี
ประสิทธิภาพเพื่อความไม่สมดุลของระดับ ที่ดีที่สุดของความรู้ของเรานี้
เป็นงานแรกที่ได้เสนอที่จะใช้อัลสำหรับการจำแนก PD.
การประเมินผลการทดลองแสดงให้เห็นว่าวิธีการที่อัลเสนอ
คือสามารถที่จะบรรลุความแม่นยำกว่า 80% ในสถานการณ์ที่มีเสียงดัง
ที่มีการพึ่งพาอาศัยผู้เชี่ยวชาญน้อยที่สุด (เพียง 2% ของ ติดป้ายชื่อ
อินสแตนซ์) นี่คือผลที่สำคัญสำหรับการตรวจสอบ PD ตั้งแต่
ข้อเสนอแนะของผู้เชี่ยวชาญที่มีราคาแพงและไม่สามารถใช้ได้เสมอ ใน
นอกจากนี้เรามีการศึกษาผลกระทบของการจัดจำหน่ายชั้นใน
ความสามารถของกลยุทธ์ AL ที่แตกต่างกันที่จะเรียนรู้ที่ถูกต้อง PD
ลักษณนาม ผลการศึกษาพบว่ากลยุทธ์กับอัล
เกณฑ์ตัวแปรหรือที่มีการสุ่มเลือกที่ดี
สำหรับผู้สมัครสอบสถานการณ์การเรียนรู้นี้มีความท้าทาย ในอนาคต
การทำงานเราวางแผนที่จะสร้างกลยุทธ์ AL ทางเลือกที่เกี่ยวข้อง
อย่างชัดเจนกับปัญหาระดับความไม่สมดุล นอกจากนี้เรา
ต้องการที่จะขยายผลไปสู่ปัญหาในปัจจุบัน muticlass ที่
ที่สามารถแยกความแตกต่างชนิดของสัญญาณ PD (เช่นภายใน
พื้นผิว, Corona) เป็นข้อมูลเพิ่มเติมนี้สามารถรองรับ
การบำรุงรักษามีประสิทธิภาพมากขึ้น

ผลลัพธ์ (ไทย) 3:

บทความนี้เน้นปัญหาของการเรียนรู้ออนไลน์การจำแนกแบบที่สามารถแยกความแตกต่างระหว่างบางส่วนการไหลและเสียงรบกวน อย่างไรก็ตาม มองว่าเป็นข้อมูลที่ต้องการเพื่อสร้างรูปแบบการตรวจสอบตำรวจดังกล่าว ดังนั้น เราศึกษากิจกรรมการเรียนรู้ ( AL ) แบบสตรีมมิ่งหมวดหมู่ ที่มุ่งรักษาแบบที่เป็นออนไลน์ที่แข็งแกร่งระดับความไม่สมดุล . เพื่อที่ดีที่สุดของความรู้ของเรานี้เป็นครั้งแรกที่เสนอให้ใช้อัลจัด PDการประเมินเชิงประจักษ์แสดงให้เห็นว่าวิธีการที่เสนอ อัลสามารถที่จะบรรลุกว่า 80% ความถูกต้องในสถานการณ์ที่มีเสียงดังกับการพึ่งพาผู้เชี่ยวชาญน้อยที่สุดเพียงร้อยละ 2 ของติดป้ายอินสแตนซ์ ) นี่คือผลที่สำคัญสำหรับการตรวจสอบตำรวจ ตั้งแต่ผู้เชี่ยวชาญด้านความคิดเห็นที่มีราคาแพงและไม่เสมอ ในได้ศึกษาผลกระทบของระดับการกระจายบนความสามารถของกลยุทธ์ที่แตกต่างเพื่อเรียนรู้การ PD ถูกต้องอัลลักษณนาม ผลการวิจัยแสดงให้เห็นว่ากลยุทธ์กับอัลตัวแปรเกณฑ์หรือมีการสุ่มเลือกดีสำหรับผู้สมัครที่ท้าทายนี้สถานการณ์การเรียนรู้ ในอนาคตทำงาน เราวางแผนที่จะสร้างทางเลือกกลยุทธ์ที่เกี่ยวข้อง อัลอย่างชัดเจนกับเรียนไม่สมดุล ปัญหา นอกจากนี้ เราต้องการขยายผลในปัจจุบันเพื่อ muticlass ปัญหาที่สามารถแยกประเภทของสัญญาณ PD ( เช่นภายในพื้นผิว , Corona ) เป็นข้อมูลเพิ่มเติมนี้สามารถสนับสนุนการบำรุงรักษาอย่างมีประสิทธิภาพมากขึ้น