論文の概要: GPU-Accelerated Verification of Machine Learning Models for Power
Systems
- arxiv url: http://arxiv.org/abs/2306.10617v2
- Date: Fri, 8 Sep 2023 00:56:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-11 17:57:39.988090
- Title: GPU-Accelerated Verification of Machine Learning Models for Power
Systems
- Title（参考訳）: gpuによる電力系統用機械学習モデルの検証
- Authors: Samuel Chevalier, Ilgiz Murzakhanov, Spyros Chatzivasileiadis
- Abstract要約: 近年,大規模機械学習(ML)モデルの性能を厳格に検証するための計算ツールが著しく進歩している。
しかし、彼らの成功にもかかわらず、これらのルーチンがシステム問題へのアウト・オブ・ボックス適用を妨げている。
本稿では,この問題を2つの重要な方法で解決する。
私たちは、$alpha,beta$-CROWNソルバを使って、最初の一連のイノベーションを構築し、テストします。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computational tools for rigorously verifying the performance of large-scale
machine learning (ML) models have progressed significantly in recent years. The
most successful solvers employ highly specialized, GPU-accelerated branch and
bound routines. Such tools are crucial for the successful deployment of machine
learning applications in safety-critical systems, such as power systems.
Despite their successes, however, barriers prevent out-of-the-box application
of these routines to power system problems. This paper addresses this issue in
two key ways. First, for the first time to our knowledge, we enable the
simultaneous verification of multiple verification problems (e.g., checking for
the violation of all line flow constraints simultaneously and not by solving
individual verification problems). For that, we introduce an exact
transformation that converts the "worst-case" violation across a set of
potential violations to a series of ReLU-based layers that augment the original
neural network. This allows verifiers to interpret them directly. Second, power
system ML models often must be verified to satisfy power flow constraints. We
propose a dualization procedure which encodes linear equality and inequality
constraints directly into the verification problem; and in a manner which is
mathematically consistent with the specialized verification tools. To
demonstrate these innovations, we verify problems associated with data-driven
security constrained DC-OPF solvers. We build and test our first set of
innovations using the $\alpha,\beta$-CROWN solver, and we benchmark against
Gurobi 10.0. Our contributions achieve a speedup that can exceed 100x and allow
higher degrees of verification flexibility.
- Abstract（参考訳）: 近年,大規模機械学習(ML)モデルの性能を厳格に検証するための計算ツールが著しく進歩している。
最も成功した解法は、高度に専門化されたGPU加速分岐とバウンドルーチンである。
このようなツールは、電力システムなどの安全クリティカルなシステムに機械学習アプリケーションをデプロイする上で、極めて重要である。
しかし、その成功にもかかわらず、障壁はシステム問題にこれらのルーチンをそのまま適用することを妨げる。
本稿ではこの問題を2つの重要な方法で解決する。
まず,まず,複数の検証問題の同時検証を可能にする(例えば,個々の検証問題を解くことによってではなく,すべての行フローの制約が同時に違反されることをチェックする)。
そこで本研究では,一連の潜在的侵害をまたいだ"ワーストケース"違反を,元来のニューラルネットワークを補強する一連のreluベースのレイヤに変換する,厳密なトランスフォーメーションを導入する。
これにより、検証者は直接解釈することができる。
第二に、電力フロー制約を満たすためには、しばしば電力系統MLモデルを検証する必要がある。
本稿では,線形等式制約と不等式制約を直接検証問題にエンコードする双対化手法を提案する。
これらのイノベーションを実証するために,データ駆動型セキュリティ制約付きDC-OPFソルバに関わる問題を検証した。
私たちは最初のイノベーションセットを$\alpha,\beta$-crownソルバを使って構築し、テストし、gurobi 10.0に対してベンチマークします。
当社のコントリビューションは100倍以上のスピードアップを実現し、高いレベルの柔軟性を実現しています。
関連論文リスト
- Improving LLM Reasoning through Scaling Inference Computation with Collaborative Verification [52.095460362197336]
大規模言語モデル(LLM)は一貫性と正確な推論に苦しむ。
LLMは、主に正しいソリューションに基づいて訓練され、エラーを検出して学習する能力を減らす。
本稿では,CoT(Chain-of-Thought)とPoT(Program-of-Thought)を組み合わせた新しい協調手法を提案する。
論文 参考訳（メタデータ） (2024-10-05T05:21:48Z) - Real-Time Anomaly Detection and Reactive Planning with Large Language Models [18.57162998677491]
例えば、大規模な言語モデル(LLM)は、インターネットスケールのデータに基づいて訓練され、ゼロショット機能を持つ。
本稿では,潜在的な異常に関する判断を安全な制御フレームワークに組み込む2段階の推論フレームワークを提案する。
これにより、モニターは、四輪車や自動運転車のような動的ロボットシステムの信頼性を向上させることができる。
論文 参考訳（メタデータ） (2024-07-11T17:59:22Z) - Scalable Surrogate Verification of Image-based Neural Network Control Systems using Composition and Unrolling [9.633494094538017]
本研究では,実世界に代わって条件付き生成逆数ネットワーク(cGAN)をイメージジェネレータとして訓練し,サロゲート検証手法を提案する。
我々は、cGANとニューラルネットワークコントローラとともにシステムのダイナミクスを構成することで、一段階のエラーを克服する。
単一ステップの合成を繰り返し、制御ループの複数のステップを大規模ニューラルネットワークに展開することで、マルチステップエラーを低減する。
論文 参考訳（メタデータ） (2024-05-28T19:56:53Z) - Near-Optimal Solutions of Constrained Learning Problems [85.48853063302764]
機械学習システムでは、振る舞いを縮小する必要性がますます顕在化している。
これは、双対ロバスト性変数を満たすモデルの開発に向けた最近の進歩によって証明されている。
この結果から, 豊富なパラメトリゼーションは非次元的, 有限な学習問題を効果的に緩和することが示された。
論文 参考訳（メタデータ） (2024-03-18T14:55:45Z) - V-STaR: Training Verifiers for Self-Taught Reasoners [71.53113558733227]
V-STaR はモデル生成解の正しさを判断する DPO を用いて検証器を訓練する。
複数のイテレーションでV-STaRを実行すると、徐々により良い推論器と検証器が得られる。
論文 参考訳（メタデータ） (2024-02-09T15:02:56Z) - A General Framework for Learning from Weak Supervision [93.89870459388185]
本稿では、新しいアルゴリズムを用いて、弱監督(GLWS)から学習するための一般的な枠組みを紹介する。
GLWSの中心は期待最大化(EM)の定式化であり、様々な弱い監督源を順応的に収容している。
また,EM計算要求を大幅に単純化する高度なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-02T21:48:50Z) - Minimizing Worst-Case Violations of Neural Networks [0.0]
本稿では,高い平均性能と最低ケース違反の両方を達成するために設計されたニューラルネットワークトレーニング手法を提案する。
本稿では, 39バスから162バスまで, AC-OPF と DC-OPF の2種類の試験システムを対象としたアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-12-21T11:20:12Z) - Cross Project Software Vulnerability Detection via Domain Adaptation and
Max-Margin Principle [21.684043656053106]
ソフトウェア脆弱性(SV)は、コンピュータソフトウェアの普及により、一般的で深刻な問題となっている。
これら2つの重要な問題に対処するための新しいエンドツーエンドアプローチを提案する。
提案手法は, SVDにおける最重要尺度であるF1尺度の精度を, 使用データセットの2番目に高い手法と比較して1.83%から6.25%に向上させる。
論文 参考訳（メタデータ） (2022-09-19T23:47:22Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳（メタデータ） (2020-10-22T12:32:29Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z) - Making Convolutions Resilient via Algorithm-Based Error Detection
Techniques [2.696566807900575]
畳み込みニューラルネットワーク(CNN)はリアルタイムテレメトリを正確に処理する。
CNNはハードウェア障害がある場合、正しく実行しなければならない。
完全な重複は必要な保証を提供するが、100%オーバーヘッドを引き起こす。
論文 参考訳（メタデータ） (2020-06-08T23:17:57Z)
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。