論文の概要: Robust, Deep, and Reinforcement Learning for Management of Communication and Power Networks

• arxiv url: http://arxiv.org/abs/2202.05395v1
• Date: Tue, 8 Feb 2022 05:49:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-20 16:21:56.427571
• Title: Robust, Deep, and Reinforcement Learning for Management of Communication and Power Networks
• Title（参考訳）: 通信・電力ネットワーク管理のためのロバスト・深層・強化学習
• Authors: Alireza Sadeghi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.09170287691728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This thesis develops data-driven machine learning algorithms to managing and optimizing the next-generation highly complex cyberphysical systems, which desperately need ground-breaking control, monitoring, and decision making schemes that can guarantee robustness, scalability, and situational awareness. The present thesis first develops principled methods to make generic machine learning models robust against distributional uncertainties and adversarial data. Particular focus will be on parametric models where some training data are being used to learn a parametric model. The developed framework is of high interest especially when training and testing data are drawn from "slightly" different distribution. We then introduce distributionally robust learning frameworks to minimize the worst-case expected loss over a prescribed ambiguity set of training distributions quantified via Wasserstein distance. Later, we build on this robust framework to design robust semi-supervised learning over graph methods. The second part of this thesis aspires to fully unleash the potential of next-generation wired and wireless networks, where we design "smart" network entities using (deep) reinforcement learning approaches. Finally, this thesis enhances the power system operation and control. Our contribution is on sustainable distribution grids with high penetration of renewable sources and demand response programs. To account for unanticipated and rapidly changing renewable generation and load consumption scenarios, we specifically delegate reactive power compensation to both utility-owned control devices (e.g., capacitor banks), as well as smart inverters of distributed generation units with cyber-capabilities.
• Abstract（参考訳）: この論文は、データ駆動機械学習アルゴリズムを開発し、堅牢性、スケーラビリティ、状況認識を保証するための、画期的な制御、監視、意思決定スキームを必要とする次世代の高度に複雑なサイバー物理システムを管理し、最適化する。 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理的手法を開発する。 特に、パラメトリックモデルを学ぶためにトレーニングデータが使用されているパラメトリックモデルに焦点を当てる。 開発フレームワークは、特にトレーニングとテストデータが"軽く"異なる分布から引き出される場合、特に関心がある。 次に,wasserstein距離で定量化されたトレーニング分布の曖昧性セットに対して,予想される最悪の損失を最小限に抑えるために,分布にロバストな学習フレームワークを導入する。 その後、我々はこの頑健なフレームワークを構築し、グラフメソッドによる堅牢な半教師付き学習を設計する。 この論文の第2部は、次世代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目的としており、我々は(深層)強化学習アプローチを用いて「スマート」ネットワークエンティティを設計する。 最後に、この論文は電力系統の動作と制御を強化する。 我々は,再生可能資源と需要対応プログラムの浸透率が高い持続可能な流通グリッドへの貢献である。 再生可能エネルギーと負荷消費の予測外かつ急速に変化するシナリオを説明するため、我々は、特に、サイバー能力を有する分散型電源ユニットのスマートインバータだけでなく、ユーティリティ所有の制御デバイス(キャパシタバンクなど)に、リアクティブ電力補償を委譲する。

関連論文リスト

• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• Model Agnostic Hybrid Sharding For Heterogeneous Distributed Inference [11.39873199479642]
  Nesaは、分散AI推論用に設計されたモデルに依存しないシャーディングフレームワークを導入した。 私たちのフレームワークでは、ブロックチェーンベースのディープニューラルネットワークシャーディングを使用して、さまざまなノードネットワークに計算タスクを分散しています。 われわれの結果は、最先端のAI技術へのアクセスを民主化する可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-29T08:18:48Z)
• 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)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
  可塑性の喪失は複数の独立したメカニズムに分解できることを示す。 種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T00:02:33Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• Predicting Dynamic Stability from Static Features in Power Grid Models using Machine Learning [0.0]
  本稿では,ネットワーク科学のメトリクスと機械学習モデルを組み合わせて,非同期イベントのリスクを予測する。 我々は、複数の合成試験格子からシミュレーションデータを用いて、そのようなモデルを訓練し、テストする。 統合モデルでは,すべてのデータセットを平均化した場合の平均精度が0.996$以上のデシンクロナイゼーションイベントを予測できることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T17:16:48Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• 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)
• Security of Distributed Machine Learning: A Game-Theoretic Approach to Design Secure DSVM [31.480769801354413]
  この研究は、データ中毒やネットワーク攻撃から学習を保護するために、セキュアな分散アルゴリズムを開発することを目的としている。 我々は,分散サポートベクトルマシン(SVM)を使用する学習者と,トレーニングデータやラベルを変更することができる攻撃者の相反する目標を捉えるためのゲーム理論の枠組みを確立する。 数値的な結果から,分散SVMは異なるタイプの攻撃で失敗する傾向にあり,ネットワーク構造や攻撃能力に強い依存があることが分かる。
  論文  参考訳（メタデータ） (2020-03-08T18:54:17Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。