對NILM的分類、回歸問題以及論文裡總說的為每個裝置訓練一個模型總是存疑，最近終于搞懂了，記錄一下，如有錯誤，歡迎指正。
回歸與分類
分類
直接識别資料的開關狀态，NILM的資料集通常不包含開關資訊，是以要先自己給資料集打标簽，比如設定一個門檻值，某時刻大于多少瓦則認為該裝置開啟，該時刻裝置對應的标簽就是1，關閉則為0 。
把聚合資料和上述打好的标簽放入模型，最後輸出每個裝置對應的開關狀态（01序列），借用看的一篇論文的圖，侵删
回歸
上面說過了，資料集一般不包含開關資訊，但是包含裝置簽名（單個裝置的消耗），是以可以直接拿來做回歸，輸入為聚合資料和裝置簽名，輸出為目标裝置的消耗情況，這個消耗也可以轉換成裝置的開關狀态，見下圖
單目标與多目标
單目标
就是為每個目标裝置訓練一個模型，對應到分類和回歸就是多類分類和單目标回歸問題。
這樣做的好處和壞處都很明顯，好處在于每個裝置的模型可以互相獨立地開發，遷移性也好一點。壞處就是需要大量的時間和資料去訓練多個模型，還可能會顯著低估或高估總功耗，因為沒有最小化總功耗和每個裝置的預測個别功耗之和之間的差異，而且這樣做各裝置之間是獨立的，無法利用它們互相之間的聯系。
多目标
意在建立一個通用模型，同時識别或分解多個裝置，對應多标簽分類和多目标回歸。
聽起來顯然是這種方法更好，隻訓練一個模型需要的資料量和時間少多了，但現在用的最多的反而還是上面那種方法，為什麼呢？因為每個家電的模式和行為不同，是以很難建立一個通用的模型，能夠同時分解所有家電的總功耗，裝置互相之間差異很大，同一個裝置受天氣、使用習慣等影響也會導緻簽名發生改變，同類裝置不同品牌的簽名差距可能很大…種種阻礙導緻這種方法難以普及，但是也有做的不錯的成績，見參考文獻。
參考文獻
【1】Kaselimi, Maria, et al. “Towards Trustworthy Energy Disaggregation: A Review of Challenges, Methods, and Perspectives for Non-Intrusive Load Monitoring.” Sensors 22.15 (2022): 5872.
【2】Faustine, Anthony, et al. “UNet-NILM: A deep neural network for multi-tasks appliances state detection and power estimation in NILM.” Proceedings of the 5th International Workshop on Non-Intrusive Load Monitoring. 2020.