गैर-उपद्रवी लोड निगरानी (NILM) स्मार्ट-ग्रिड अनुप्रयोगों के लिए एक महत्वपूर्ण सक्षम करने वाला है, फिर भी व्यावहारिक कार्यान्वयन अक्सर सीमित उपकरण-स्तरीय लेबल और घरों और संचालन की परिस्थितियों के बीच गंभीर वितरण परिवर्तनों से बाधित होता है। परिणामस्वरूप, कई गहरे अध्ययन दृष्टिकोण छोटे-नमूने और वितरण से बाहर (OOD) सेटिंग्स में विश्वसनीय नहीं होते हैं। इस पत्र में, हम CR-MAT, सीमित-शॉट NILM वर्गीकरण के लिए एक कारणात्मक-आधारित प्रतिनिधित्व अध्ययन ढांचा प्रस्तुत करते हैं। बड़े पैमाने पर प्रशिक्षण या भारी डेटा संवर्धन पर निर्भर होने के बजाय, CR-MAT मल्टी-डिवाइस कार्य मॉडलिंग में कारणात्मक प्रतिनिधित्व अध्ययन को सम्मिलित करता है, जिससे नेटवर्क को ऐसे उपकरण-विशिष्ट विशेषताओं को सीखने के लिए प्रोत्साहित किया जाता है जो पर्यावरणों में स्थिर होते हैं और गलत, क्षेत्र-विशिष्ट सहसंबंधों को दबाते हैं। हम कई OOD परिदृश्यों के तहत व्यापक प्रयोग करते हैं और लगातार गहरे NILM आधारभूतों की तुलना में वर्गीकरण की स्थिरता में सुधार देखते हैं। आगे के विश्लेषण से संकेत मिलता है कि कारणात्मक प्रतिनिधित्व अध्ययन गैर-स्थितिक उपभोग पैटर्न के प्रति सहनशीलता बढ़ाता है और OOD परिदृश्यों के तहत सामान्यीकरण में सुधार करता है। प्रस्तावित ढांचा विश्वसनीय NILM वर्गीकरण की दिशा में एक व्यावहारिक मार्ग प्रदान करता है और लचीले लोड नियंत्रण और मांग प्रतिक्रिया जैसे डाउनस्ट्रीम स्मार्ट-ग्रिड अनुप्रयोगों का समर्थन करता है।
Li et al. (Fri,) ने इस प्रश्न का अध्ययन किया।