Fugu-MT 論文翻訳(概要): FeederGAN: Synthetic Feeder Generation via Deep Graph Adversarial Nets

論文の概要: FeederGAN: Synthetic Feeder Generation via Deep Graph Adversarial Nets

arxiv url: http://arxiv.org/abs/2004.01407v2
Date: Wed, 16 Sep 2020 20:26:23 GMT
ステータス: 処理完了
システム内更新日: 2022-12-17 05:11:33.994057
Title: FeederGAN: Synthetic Feeder Generation via Deep Graph Adversarial Nets
Title（参考訳）: FeederGAN:Deep Graph Adversarial Netsによる合成フィード生成
Authors: Ming Liang, Yao Meng, Jiyu Wang, David Lubkeman, Ning Lu
Abstract要約: FeederGANは、GANとグラフ畳み込みネットワーク(GCN)を利用したディープラーニングフレームワークを通じて、有向グラフで表される実際のフィードモデルを消化する本稿では, GAN 生成フィードは, 視覚検査および実分布フィードから得られた経験的統計により, トポロジと属性の両方において実際のフィードと類似していることを示す。
参考スコア（独自算出の注目度）: 9.563020863970149
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents a novel, automated, generative adversarial networks (GAN) based synthetic feeder generation mechanism, abbreviated as FeederGAN. FeederGAN digests real feeder models represented by directed graphs via a deep learning framework powered by GAN and graph convolutional networks (GCN). Information of a distribution feeder circuit is extracted from its model input files so that the device connectivity is mapped onto the adjacency matrix and the device characteristics, such as circuit types (i.e., 3-phase, 2-phase, and 1-phase) and component attributes (e.g., length and current ratings), are mapped onto the attribute matrix. Then, Wasserstein distance is used to optimize the GAN and GCN is used to discriminate the generated graphs from the actual ones. A greedy method based on graph theory is developed to reconstruct the feeder using the generated adjacency and attribute matrices. Our results show that the GAN generated feeders resemble the actual feeder in both topology and attributes verified by visual inspection and by empirical statistics obtained from actual distribution feeders.
Abstract（参考訳）: 本稿では,FederGAN(FederGAN)と略される,GANベースの合成フィード生成機構を提案する。 FeederGANは、GANとグラフ畳み込みネットワーク(GCN)を利用したディープラーニングフレームワークを通じて、指向グラフで表される実際のフィードモデルを消化する。デバイス接続が隣接マトリックスにマッピングされるように、そのモデル入力ファイルから分配供給回路の情報を抽出し、回路タイプ(三相、二相、一相)や部品属性(長さ、電流格付けなど)などのデバイス特性を属性マトリックスにマッピングする。次に、ワッサーシュタイン距離を用いてGANを最適化し、GCNを用いて生成されたグラフを実際のグラフと区別する。グラフ理論に基づく欲求的手法を開発し、生成した隣接行列と属性行列を用いてフィードアを再構築する。以上の結果から, GAN生成フィードは, 視覚検査および実分布フィードから得られた経験的統計により, トポロジと属性の両方において実際のフィードと類似していることがわかった。

関連論文リスト

SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
論文参考訳（メタデータ） (2024-10-21T15:47:03Z)
Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文参考訳（メタデータ） (2024-10-13T02:22:14Z)
Dual Stream Graph Transformer Fusion Networks for Enhanced Brain Decoding [1.642094639107215]
本稿では,タスクベース脳磁図(MEG)データの分類に特化して設計された新しいDual Stream Graph-Transformer Fusionアーキテクチャを提案する。空間ストリームでは、入力はまずグラフとして表現され、次にグラフアテンションネットワーク(GAT)を介して空間パターンを抽出する。実験の結果,他の試験モデルと比較して,分類性能の向上と標準偏差の低減が示された。
論文参考訳（メタデータ） (2024-09-23T10:59:22Z)
Detecting Anomalous Network Communication Patterns Using Graph Convolutional Networks [32.336544074408806]
GCNetOmalyはグラフ畳み込みネットワーク(GCN)ベースの変動オートエンコーダ(VAE)異常検出器である。 GCNetOmalyは、Carbon Blackがログした実際の大規模データに基づいて評価された。
論文参考訳（メタデータ） (2023-11-30T13:03:49Z)
Data-driven Intra-Autonomous Systems Graph Generator [4.789625395954022]
本稿では,インターネット上での自律性を表す合成グラフの深層学習に基づく生成手法について紹介する。 DGGIは、中心性、クラスタリング、代替性、およびノード次数の特性を正確に再現する合成グラフを作成する。平均して、DGGIはMDDのメートル法を8,4.4%、9,5.1%、9,7.9%、9,4.7%で改善している。
論文参考訳（メタデータ） (2023-08-09T23:18:53Z)
Transformers over Directed Acyclic Graphs [6.263470141349622]
有向非巡回グラフ(DAG)上の変換器について検討し,DAGに適したアーキテクチャ適応を提案する。グラフトランスフォーマーは、DAGに適したグラフニューラルネットワークを概ね上回り、品質と効率の両面でSOTAグラフトランスフォーマーの性能を向上させるのに有効であることを示す。
論文参考訳（メタデータ） (2022-10-24T12:04:52Z)
Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文参考訳（メタデータ） (2021-07-27T19:47:53Z)
Convolutional Dynamic Alignment Networks for Interpretable Classifications [108.83345790813445]
我々は、畳み込み動的アライメントネットワーク(CoDA-Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。コアとなるビルディングブロックは動的アライメントユニット(DAU)で、入力をタスク関連パターンと動的に整合する重みベクトルで線形に変換する。 CoDA-Netsは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
論文参考訳（メタデータ） (2021-03-31T18:03:53Z)
Generative Adversarial Networks (GANs): An Overview of Theoretical Model, Evaluation Metrics, and Recent Developments [9.023847175654602]
GAN(Generative Adversarial Network)は,大規模データ分散のサンプルを作成する上で有効な手法である。 GANはラベル付きトレーニングデータを広く使用せずにディープ表現を学習する適切な方法を提供する。 GANでは、ジェネレータと識別器のネットワークを同時にトレーニングする競合プロセスを通じて生成モデルを推定する。
論文参考訳（メタデータ） (2020-05-27T05:56:53Z)
Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
論文参考訳（メタデータ） (2020-02-20T09:53:28Z)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。