論文の概要: Bucketized Active Sampling for Learning ACOPF
- arxiv url: http://arxiv.org/abs/2208.07497v2
- Date: Mon, 2 Oct 2023 21:16:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 11:10:12.207280
- Title: Bucketized Active Sampling for Learning ACOPF
- Title(参考訳): ACOPF学習のためのバッチ化アクティブサンプリング
- Authors: Michael Klamkin, Mathieu Tanneau, Terrence W.K. Mak, Pascal Van
Hentenryck
- Abstract要約: Bucketized Active Smpling(BAS)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、新しいアクティブな学習フレームワークである。
BAS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): 16.94351854930602
- 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
Bucketized Active Sampling (BAS), a novel active learning framework that aims
at training the best possible OPF proxy within a time limit. BAS partitions the
input distribution into buckets and uses an acquisition function to determine
where to sample next. By applying the same partitioning to the validation set,
BAS leverages labeled validation samples in the selection of unlabeled samples.
BAS also relies on an adaptive learning rate that increases and decreases over
time. Experimental results demonstrate the benefits of BAS.
- 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,最適な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Bucketized Active Smpling(BAS)を提案する。
BAS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。
検証セットに同じパーティショニングを適用することで、BASはラベル付き検証サンプルを未ラベルのサンプルの選択に活用する。
basはまた、時間とともに増減する適応学習率にも依存している。
実験の結果,BASの利点が示された。
関連論文リスト
- ActiveDC: Distribution Calibration for Active Finetuning [36.64444238742072]
本研究では,アクティブ微調整タスクのためのActiveDCと呼ばれる新しい手法を提案する。
我々は,無ラベルプールにおける暗黙のカテゴリ情報を利用して,選択したサンプルの分布を校正する。
その結果,ActiveDCは画像分類タスクのベースライン性能を一貫して上回ることがわかった。
論文 参考訳(メタデータ) (2023-11-13T14:35:18Z) - 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) - Pareto Optimization for Active Learning under Out-of-Distribution Data
Scenarios [79.02009938011447]
本研究では,未ラベルデータプールからバッチサイズを固定した未ラベルサンプルの最適なサブセットを選択するサンプリング手法を提案する。
実験の結果,従来の機械学習(ML)タスクとディープラーニング(DL)タスクの両方において,その効果が示された。
論文 参考訳(メタデータ) (2022-07-04T04:11:44Z) - 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) - 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) - Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。
FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。
MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文 参考訳(メタデータ) (2020-07-18T09:48:29Z) - Robust Federated Learning: The Case of Affine Distribution Shifts [41.27887358989414]
我々は,ユーザのサンプルの分布変化に対して良好な性能を実現するための,堅牢なフェデレーション学習アルゴリズムを開発した。
新しいテストユーザにおいて,アフィン分布シフトは学習者分類器の性能を著しく低下させるのに十分であることを示す。
論文 参考訳(メタデータ) (2020-06-16T03:43:59Z) - 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。