Fugu-MT 論文翻訳(概要): Reinforcement Learning with Probabilistic Boolean Network Models of Smart Grid Devices

論文の概要: Reinforcement Learning with Probabilistic Boolean Network Models of Smart Grid Devices

arxiv url: http://arxiv.org/abs/2102.01297v1
Date: Tue, 2 Feb 2021 04:13:30 GMT
ステータス: 処理完了
システム内更新日: 2021-02-04 12:25:12.305342
Title: Reinforcement Learning with Probabilistic Boolean Network Models of Smart Grid Devices
Title（参考訳）: スマートグリッドデバイスの確率的ブールネットワークモデルによる強化学習
Authors: Pedro J. Rivera Torres, Carlos Gershenson Garc\'ia, Samir Kanaan Izquierdo
Abstract要約: 複雑適応型自己組織化モデリング手法 Probabilistic Boolean Networks (PBN) の応用例を示す。この研究は、PBNが標準的な強化学習サイクルと等価であることを示し、エージェント/モデルがその環境と相互作用し、報酬信号の形でフィードバックを受け取る。
参考スコア（独自算出の注目度）: 0.3867363075280544
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The area of Smart Power Grids needs to constantly improve its efficiency and resilience, to pro-vide high quality electrical power, in a resistant grid, managing faults and avoiding failures. Achieving this requires high component reliability, adequate maintenance, and a studied failure occurrence. Correct system operation involves those activities, and novel methodologies to detect, classify, and isolate faults and failures, model and simulate processes with predictive algorithms and analytics (using data analysis and asset condition to plan and perform activities). We show-case the application of a complex-adaptive, self-organizing modeling method, Probabilistic Boolean Networks (PBN), as a way towards the understanding of the dynamics of smart grid devices, and to model and characterize their behavior. This work demonstrates that PBNs are is equivalent to the standard Reinforcement Learning Cycle, in which the agent/model has an inter-action with its environment and receives feedback from it in the form of a reward signal. Differ-ent reward structures were created in order to characterize preferred behavior. This information can be used to guide the PBN to avoid fault conditions and failures.
Abstract（参考訳）: スマートパワーグリッドの領域は、常に効率と回復力を向上させ、高品質な電力を保護し、抵抗グリッドで、障害を管理し、障害を回避する必要がある。これを実現するには、高いコンポーネント信頼性、適切なメンテナンス、および研究された障害発生が必要です。正しいシステム操作には、これらのアクティビティと、障害や障害を検出し、分類し、分離するための新しい方法論、予測アルゴリズムと分析(データ分析と資産条件を使用してアクティビティを計画および実行)によるプロセスをモデル化およびシミュレートする。本稿では,複雑な適応型自己組織型モデリング手法であるProbabilistic Boolean Networks (PBN) の応用を,スマートグリッドデバイスのダイナミクスの理解と,その動作のモデル化と特性評価の方法として紹介する。この研究は、PBNが標準的な強化学習サイクルと同等であることを示しています。エージェント/モデルは環境と相互作用し、報酬信号の形でフィードバックを受け取ります。好みの行動を特徴付けるために、異なる報酬構造が作成されました。この情報は、故障状況や故障を避けるためにPBNを導くために使用できます。

関連論文リスト

RmGPT: Rotating Machinery Generative Pretrained Model [20.52039868199533]
本稿では,診断・予後タスクの統一モデルであるRmGPTを提案する。 RmGPTは、Signal Tokens、Prompt Tokens、Time-Frequency Task Tokens、Fault Tokensといった新しいトークンベースのフレームワークを導入している。実験では、RmGPTは最先端のアルゴリズムを著しく上回り、診断タスクではほぼ完璧な精度、予後タスクでは例外的に低い誤差を達成している。
論文参考訳（メタデータ） (2024-09-26T07:40:47Z)
Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs [0.0]
本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)モデルを提案する。提案モデルの性能評価は,カリフォルニア州リバーサイドのIEEE 123バスシステムと実世界の給電システムを用いて行った。
論文参考訳（メタデータ） (2024-06-05T04:28:57Z)
FACADE: A Framework for Adversarial Circuit Anomaly Detection and Evaluation [9.025997629442896]
FACADEは、ディープニューラルネットワークにおける教師なしの機械的異常検出のために設計されている。我々のアプローチは、モデルの堅牢性を改善し、スケーラブルなモデル監視を強化し、現実のデプロイメント環境で有望なアプリケーションを実証することを目指している。
論文参考訳（メタデータ） (2023-07-20T04:00:37Z)
Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文参考訳（メタデータ） (2023-02-06T16:38:43Z)
Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文参考訳（メタデータ） (2022-06-07T13:51:35Z)
Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文参考訳（メタデータ） (2022-03-25T19:57:19Z)
Robust, Deep, and Reinforcement Learning for Management of Communication and Power Networks [6.09170287691728]
本論文は、まず、分散不確実性や逆データに対して汎用機械学習モデルを堅牢にするための原則的手法を開発する。次に、この堅牢なフレームワークの上に構築し、グラフメソッドによる堅牢な半教師付き学習を設計します。この論文の第2部は、次世代の有線および無線ネットワークの可能性を完全に解き放つことを意図している。
論文参考訳（メタデータ） (2022-02-08T05:49:06Z)
Adaptive network reliability analysis: Methodology and applications to power grid [0.0]
本研究では,ベイジアン付加回帰木(ANR-BART)を用いた適応代理型ネットワーク信頼性解析法を提案する。その結果、ANR-BARTは堅牢であり、信頼性解析の計算コストを大幅に削減しつつ、ネットワーク障害確率の正確な推定値が得られることがわかった。
論文参考訳（メタデータ） (2021-09-11T19:58:08Z)
Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文参考訳（メタデータ） (2021-05-10T08:02:27Z)
Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文参考訳（メタデータ） (2020-11-10T19:31:29Z)
DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
論文参考訳（メタデータ） (2020-11-04T07:43:01Z)

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。