論文の概要: A Review of Graph Neural Networks and Their Applications in Power Systems

• arxiv url: http://arxiv.org/abs/2101.10025v1
• Date: Mon, 25 Jan 2021 11:50:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 13:00:03.495601
• Title: A Review of Graph Neural Networks and Their Applications in Power Systems
• Title（参考訳）: グラフニューラルネットワークの現状と電力システムへの応用
• Authors: Wenlong Liao, Birgitte Bak-Jensen, Jayakrishnan Radhakrishna Pillai, Yuelong Wang, and Yusen Wang
• Abstract要約: ディープニューラルネットワークは、電力システムにおける多くの機械学習タスクに革命をもたらした。 これらのタスクのデータは典型的にはユークリッド領域で表される。 グラフ構造化データの複雑さは、既存のディープニューラルネットワークに課題をもたらした。
• 参考スコア（独自算出の注目度）: 0.6990493129893112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks have revolutionized many machine learning tasks in power systems, ranging from pattern recognition to signal processing. The data in these tasks is typically represented in Euclidean domains. Nevertheless, there is an increasing number of applications in power systems, where data are collected from non-Euclidean domains and represented as the graph-structured data with high dimensional features and interdependency among nodes. The complexity of graph-structured data has brought significant challenges to the existing deep neural networks defined in Euclidean domains. Recently, many studies on extending deep neural networks for graph-structured data in power systems have emerged. In this paper, a comprehensive overview of graph neural networks (GNNs) in power systems is proposed. Specifically, several classical paradigms of GNNs structures (e.g., graph convolutional networks, graph recurrent neural networks, graph attention networks, graph generative networks, spatial-temporal graph convolutional networks, and hybrid forms of GNNs) are summarized, and key applications in power systems such as fault diagnosis, power prediction, power flow calculation, and data generation are reviewed in detail. Furthermore, main issues and some research trends about the applications of GNNs in power systems are discussed.
• Abstract（参考訳）: ディープニューラルネットワークは、パターン認識から信号処理まで、電力システムにおける多くの機械学習タスクに革命をもたらした。 これらのタスクのデータは典型的にはユークリッド領域で表される。 それでも電力系統では、非ユークリッド領域からデータが収集され、高次元の特徴とノード間の相互依存性を持つグラフ構造化データとして表現されるアプリケーションが増えています。 グラフ構造化データの複雑さは、ユークリッド領域で定義された既存のディープニューラルネットワークに大きな課題をもたらした。 近年,電力系統におけるグラフ構造化データに対するディープニューラルネットワークの拡張に関する研究が数多く行われている。 本稿では,電力系統におけるグラフニューラルネットワーク(gnns)の包括的概要について述べる。 具体的には、GNN構造(例えば、グラフ畳み込みネットワーク、グラフ繰り返しニューラルネットワーク、グラフ注意ネットワーク、グラフ生成ネットワーク、空間時空間グラフ畳み込みネットワーク、GNNsのハイブリッド形式)のいくつかの古典的なパラダイムを要約し、故障診断、電力予測、電力フロー計算、データ生成などの電力システムにおける重要なアプリケーションについて詳細に検討する。 さらに、電力システムにおけるGNNの適用に関する主な課題といくつかの研究動向について論じる。

関連論文リスト

• A Systematic Review of Deep Graph Neural Networks: Challenges, Classification, Architectures, Applications & Potential Utility in Bioinformatics [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ依存を表現するためにグラフノード間のメッセージ送信を使用する。 GNNは、バイオインフォマティクス研究における幅広い生物学的課題を解決するための優れたツールとなる可能性がある。
  論文  参考訳（メタデータ） (2023-11-03T10:25:47Z)
• A Survey on Graph Classification and Link Prediction based on GNN [11.614366568937761]
  本稿では,グラフ畳み込みニューラルネットワークの世界について述べる。 グラフ畳み込みニューラルネットワークの基礎を詳述する。 注意機構とオートエンコーダに基づいて、グラフニューラルネットワークモデルを解明する。
  論文  参考訳（メタデータ） (2023-07-03T09:08:01Z)
• Graph Neural Networks Provably Benefit from Structural Information: A Feature Learning Perspective [53.999128831324576]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習の先駆けとなった。 本研究では,特徴学習理論の文脈におけるグラフ畳み込みの役割について検討する。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• The Evolution of Distributed Systems for Graph Neural Networks and their Origin in Graph Processing and Deep Learning: A Survey [17.746899445454048]
  グラフニューラルネットワーク(GNN)は、新たな研究分野である。 GNNはレコメンデーションシステム、コンピュータビジョン、自然言語処理、生物学、化学など様々な分野に適用できる。 我々は,大規模GNNソリューションの重要な手法と手法を要約し,分類することで,このギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2023-05-23T09:22:33Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
  グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。 グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。 近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• Graph Neural Networks for Communication Networks: Context, Use Cases and Opportunities [4.4568884144849985]
  グラフニューラルネットワーク(GNN)は、データが基本的にグラフとして表現される多くの分野において、優れた応用を示している。 GNNは、実際のネットワークの背後にある複雑な振る舞いを正確に学習し、再現できる新しい世代のデータ駆動モデルである。 本稿では、GNNとその通信ネットワークへの応用に関する簡単なチュートリアルを紹介する。
  論文  参考訳（メタデータ） (2021-12-29T19:09:42Z)
• Graph Structure of Neural Networks [104.33754950606298]
  ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。 リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。 トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
  論文  参考訳（メタデータ） (2020-07-13T17:59:31Z)
• Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey [11.18312489268624]
  我々は、一貫した詳細な用語と表記を伴う動的ネットワークの基礎を確立する。 提案する用語を用いて,動的グラフニューラルネットワークモデルに関する包括的調査を行う。
  論文  参考訳（メタデータ） (2020-05-13T23:56:38Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。