論文の概要: Active Bucketized Learning for ACOPF Optimization Proxies

• arxiv url: http://arxiv.org/abs/2208.07497v1
• Date: Tue, 16 Aug 2022 02:04:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-17 12:17:15.273369
• Title: Active Bucketized Learning for ACOPF Optimization Proxies
• Title（参考訳）: ACOPF最適化プロキシのためのアクティブバケタイズ学習
• Authors: Michael Klamkin, Mathieu Tanneau, Terrence W.K. Mak, Pascal Van Hentenryck
• Abstract要約: Active Bucketized Sampling (ABS)は、可能な限りのOPFプロキシを時間制限内でトレーニングすることを目的とした、新しいアクティブラーニングフレームワークである。 ABSは入力分布をバケットに分割し、次にサンプリングする場所を決定するために取得関数を使用する。
• 参考スコア（独自算出の注目度）: 16.843799157160063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper considers optimization proxies for Optimal Power Flow (OPF), i.e., machine-learning models that approximate the input/output relationship of OPF. Recent work has focused on showing that such proxies can be of high fidelity. However, their training requires significant data, each instance necessitating the (offline) solving of an OPF for a sample of the input distribution. To meet the requirements of market-clearing applications, this paper proposes Active Bucketized Sampling (ABS), a novel active learning framework that aims at training the best possible OPF proxy within a time limit. ABS partitions the input distribution into buckets and uses an acquisition function to determine where to sample next. It relies on an adaptive learning rate that increases and decreases over time. Experimental results demonstrate the benefits of ABS.
• Abstract（参考訳）: 本稿では,OPFの入力/出力関係を近似する機械学習モデルであるOPFの最適化プロキシについて考察する。 最近の研究は、そのようなプロキシが高忠実であることを示すことに重点を置いている。 しかし、それらのトレーニングには重要なデータが必要であり、各インスタンスは入力分布のサンプルに対してOPFの(オフライン)解決を必要とする。 マーケットクリーニングアプリケーションの要件を満たすため,本研究では,最高のOPFプロキシをタイムリミット内でトレーニングすることを目的とした,新たなアクティブラーニングフレームワークであるActive Bucketized Smpling(ABS)を提案する。 ABSは入力分布をバケットに分割し、次にサンプリングする場所を決定するために取得関数を使用する。 時間とともに増減する適応学習率に依存している。 実験結果はABSの利点を示している。

関連論文リスト

• BoostAdapter: Improving Vision-Language Test-Time Adaptation via Regional Bootstrapping [64.8477128397529]
  本稿では,テスト時間適応フレームワークを提案する。 我々は、インスタンスに依存しない履歴サンプルとインスタンスを意識したブースティングサンプルから特徴を検索するための軽量なキー値メモリを維持している。 理論的には,本手法の背後にある合理性を正当化し,アウト・オブ・ディストリビューションとクロスドメイン・データセットの両方において,その有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2024-10-20T15:58:43Z)
• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• Training-Free Unsupervised Prompt for Vision-Language Models [27.13778811871694]
  本研究では,表現能力の保持と類似性に基づく予測確率の残差による強化を図るために,TFUP(Training-Free Unsupervised Prompts)を提案する。 TFUPは、複数の分類データセットのトレーニングベースメソッドを超え、驚くべきパフォーマンスを達成する。 TFUP-Tは,複数のベンチマークにおける教師なしおよび少数ショット適応手法と比較して,最先端の分類性能が向上する。
  論文  参考訳（メタデータ） (2024-04-25T05:07:50Z)
• Exploiting Counter-Examples for Active Learning with Partial labels [45.665996618836516]
  本稿では, 部分ラベルを用いたemphactive learning(ALPL)の新たな課題について検討する。 この設定では、オラクルはクエリサンプルに部分的なラベルを付加し、必要な正確なラベル付けプロセスからオラクルを緩和する。 我々は,このパターンを直接学習するために,シンプルだが効果的なWorseNetを提案する。
  論文  参考訳（メタデータ） (2023-07-14T15:41:53Z)
• BatchGFN: Generative Flow Networks for Batch Active Learning [80.73649229919454]
  BatchGFNは、生成フローネットワークを使用してバッチ報酬に比例したデータポイントのセットをサンプリングする、プールベースのアクティブラーニングのための新しいアプローチである。 提案手法は,おもちゃの回帰問題において,1点当たり1回の前方通過で推定時間に近距離最適効用バッチをサンプリングすることを可能にした。
  論文  参考訳（メタデータ） (2023-06-26T20:41:36Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• A Novel Approach for Optimum-Path Forest Classification Using Fuzzy Logic [13.313728527879306]
  Fuzzy Optimum-Path Forestは標準的なOPF分類器の改良版である。 教師なしの方法でサンプルのメンバシップを学習し、教師なしのトレーニング中にさらに組み込まれる。 12の公開データセットで実施された実験は、提案されたアプローチの堅牢性を強調している。
  論文  参考訳（メタデータ） (2022-04-13T20:55:30Z)
• Listen, Adapt, Better WER: Source-free Single-utterance Test-time Adaptation for Automatic Speech Recognition [65.84978547406753]
  Test-time Adaptationは、ソースドメインでトレーニングされたモデルに適応して、テストサンプルの予測を改善することを目的としている。 単一発話テスト時間適応 (SUTA) は音声領域における最初のTTA研究である。
  論文  参考訳（メタデータ） (2022-03-27T06:38:39Z)
• A Lagrangian Duality Approach to Active Learning [119.36233726867992]
  トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。 制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。 数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
  論文  参考訳（メタデータ） (2022-02-08T19:18:49Z)
• OPF-Learn: An Open-Source Framework for Creating Representative AC Optimal Power Flow Datasets [0.0]
  本稿では,JuliaとPythonのためのOPF-Learnパッケージを開発した。 このフレームワークは、文献で見られる従来の手法に比べて、実現可能な空間全体を代表するデータセットを生成することが示されている。
  論文  参考訳（メタデータ） (2021-11-01T19:35:09Z)
• Data-driven Optimal Power Flow: A Physics-Informed Machine Learning Approach [6.5382276424254995]
  本稿では,SELMフレームワークに基づく最適電力フロー(OPF)のためのデータ駆動型アプローチを提案する。 データ駆動型OPF回帰フレームワークが開発され、OPFモデルの特徴を3段階に分解する。 IEEEおよびポーランドのベンチマークシステムにおいて,提案手法が他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-31T15:41:24Z)

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。