論文の概要: Tractable learning in under-excited power grids

• arxiv url: http://arxiv.org/abs/2005.01818v1
• Date: Mon, 4 May 2020 19:54:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 01:48:55.211099
• Title: Tractable learning in under-excited power grids
• Title（参考訳）: 未励電力グリッドにおけるトラクタブル学習
• Authors: Deepjyoti Deka, Harish Doddi, Sidhant Misra, Murti Salapaka
• Abstract要約: 物理情報保存法則に基づく非励起一般(非放射性)ネットワーク学習のための新しい学習アルゴリズムを提案する。 我々は,非隣接な内部ノードを持つグリッドに対するアルゴリズムの正当性を証明した。 本手法は実噴射データを用いて試験格子上に生成した非線形電圧サンプルを用いたシミュレーションにより検証した。
• 参考スコア（独自算出の注目度）: 4.568911586155097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating the structure of physical flow networks such as power grids is critical to secure delivery of energy. This paper discusses statistical structure estimation in power grids in the "under-excited" regime, where a subset of internal nodes do not have external injection. Prior estimation algorithms based on nodal potentials or voltages fail in the under-excited regime. We propose a novel topology learning algorithm for learning underexcited general (non-radial) networks based on physics-informed conservation laws. We prove the asymptotic correctness of our algorithm for grids with non-adjacent under-excited internal nodes. More importantly, we theoretically analyze our algorithm's efficacy under noisy measurements, and determine bounds on maximum noise under which asymptotically correct recovery is guaranteed. Our approach is validated through simulations with non-linear voltage samples generated on test grids with real injection data
• Abstract（参考訳）: 電力グリッドなどの物理フローネットワークの構造を推定することは、エネルギーの安全な供給に不可欠である。 本稿では,内部ノードのサブセットが外部注入を行わない"under-excited"方式における電力グリッドの統計的構造推定について述べる。 直流電位や電圧に基づく事前推定アルゴリズムは、未励状態では失敗する。 物理情報保存法則に基づく非励起一般(非放射性)ネットワーク学習のための新しいトポロジー学習アルゴリズムを提案する。 非隣接な内部ノードを持つグリッドに対するアルゴリズムの漸近的正当性を証明する。 さらに,このアルゴリズムの有効性を理論的に解析し,漸近的に正しい回復が保証された最大雑音の限界を決定する。 本手法は実噴射データを用いた試験格子上に発生する非線形電圧サンプルを用いたシミュレーションにより検証される。

関連論文リスト

• Learning-Based Verification of Stochastic Dynamical Systems with Neural Network Policies [7.9898826915621965]
  我々は、他のニューラルネットワークをトレーニングする検証手順を使用し、ポリシーがタスクを満足することを示す証明書として機能する。 リーチ回避タスクでは、この証明ネットワークがリーチ回避スーパーマーチンゲール(RASM)であることを示すのに十分である。
  論文  参考訳（メタデータ） (2024-06-02T18:19:19Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Inferring networks from time series: a neural approach [3.115375810642661]
  本稿では,ニューラルネットワークを用いて時系列データから大規模ネットワーク隣接行列を推定する強力な計算手法を提案する。 電力カットに対する応答から、英国電力網の線路故障箇所を推定することで、我々の能力を実証する。
  論文  参考訳（メタデータ） (2023-03-30T15:51:01Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
  本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。 組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
  論文  参考訳（メタデータ） (2022-08-08T03:13:24Z)
• Network Gradient Descent Algorithm for Decentralized Federated Learning [0.2867517731896504]
  本稿では,コミュニケーションベースネットワーク上で実行される新しい勾配勾配アルゴリズムである,完全に分散化されたフェデレーション学習アルゴリズムについて検討する。 NGD法では、統計(パラメータ推定など)のみを通信し、プライバシーのリスクを最小限に抑える必要がある。 学習速度とネットワーク構造の両方が,NGD推定器の統計的効率を決定する上で重要な役割を担っていることがわかった。
  論文  参考訳（メタデータ） (2022-05-06T02:53:31Z)
• A scalable multi-step least squares method for network identification with unknown disturbance topology [0.0]
  本稿では,既知のネットワークトポロジを持つ動的ネットワークの同定手法を提案する。 階調雑音の低減に多段階連続・ヌル空間フィッティング法を用いる。 明示的なBoxモデル構造情報性を含む一貫性証明を提供する。
  論文  参考訳（メタデータ） (2021-06-14T16:12:49Z)
• Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
  本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。 破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T14:19:07Z)
• State Estimation of Power Flows for Smart Grids via Belief Propagation [0.0]
  信念伝播(Breief propagation)は、統計物理学と計算機科学で知られているアルゴリズムである。 状態推定自体のグリッドサイズとともに,信念の伝播が線形にスケールすることを示す。 また、欠落したデータの検索を促進・加速し、測定単位の最適な位置決めを可能にする。
  論文  参考訳（メタデータ） (2020-12-18T19:22:03Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。