論文の概要: Improved Efficient Two-Stage Denoising Diffusion Power System
Measurement Recovery Against False Data Injection Attacks and Data Losses
- arxiv url: http://arxiv.org/abs/2312.04346v1
- Date: Thu, 7 Dec 2023 15:06:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-08 14:29:41.061152
- Title: Improved Efficient Two-Stage Denoising Diffusion Power System
Measurement Recovery Against False Data Injection Attacks and Data Losses
- Title(参考訳): 偽データインジェクション攻撃とデータ損失に対する高効率2段発振拡散電力系統計測リカバリ
- Authors: Jianhua Pei, Jingyu Wang, Dongyuan Shi, Ping Wang
- Abstract要約: 本稿では,様々な測定の不確かさを用いて測定値の同定と再構成を行うため,改良された2段階復調拡散モデル(TSDM)を提案する。
提案するTSDMは,既存の再構成ネットワークと比較して強い堅牢性を有し,一般的な微分拡散モデルよりも計算複雑性が低い。
- 参考スコア(独自算出の注目度): 22.21715968804964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Measurement uncertainties, represented by cyber-attacks and data losses,
seriously degrade the quality of power system measurements. Fortunately, the
powerful generation ability of the denoising diffusion models can enable more
precise measurement generation for power system data recovery. However, the
controllable data generation and efficient computing methods of denoising
diffusion models for deterministic trajectory still need further investigation.
To this end, this paper proposes an improved two-stage denoising diffusion
model (TSDM) to identify and reconstruct the measurements with various
measurement uncertainties. The first stage of the model comprises a
classifier-guided conditional anomaly detection component, while the second
stage involves diffusion-based measurement imputation component. Moreover, the
proposed TSDM adopts precise means and optimal variances to accelerate the
diffusion generation process with subsequence sampling. Extensive numerical
case studies demonstrate that the proposed TSDM can accurately recover power
system measurements despite strong randomness under renewable energy
integration and highly nonlinear dynamics under complex cyber-physical
contingencies. Additionally, the proposed TSDM has stronger robustness compared
to existing reconstruction networks and exhibits lower computational complexity
than general denoising diffusion models.
- Abstract(参考訳): サイバー攻撃やデータ損失によって表される測定の不確実性は、電力システム測定の質を著しく低下させる。
幸いなことに、消音拡散モデルの強力な生成能力は、電力系統データ回復のためのより正確な測定生成を可能にする。
しかし, 制御可能なデータ生成法と, 決定論的軌道の拡散モデルの効率的な解法については, さらなる検討が必要である。
そこで本研究では, 種々の測定の不確かさで測定を同定し, 再構成するために, 改良された二段階除算拡散モデル(tsdm)を提案する。
モデルの第1段は分類器誘導条件異常検出成分を含み、第2段は拡散に基づく測定インプテーション成分を含む。
さらに,提案するTSDMは,拡散生成過程をサブシーケンスサンプリングで高速化するために,高精度な手段と最適分散を採用する。
大規模な数値ケーススタディでは、再生可能エネルギー統合下での強いランダム性や複雑なサイバー物理条件下での高非線形ダイナミクスにもかかわらず、提案したTSDMが電力系統測定を正確に回復できることが示されている。
さらに,提案したTSDMは,既存の再構成ネットワークと比較して強い堅牢性を有し,一般化拡散モデルよりも計算複雑性が低い。
関連論文リスト
- DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳(メタデータ) (2024-03-20T04:58:03Z) - Time Series Diffusion Method: A Denoising Diffusion Probabilistic Model
for Vibration Signal Generation [11.320440581196824]
振動信号生成のための時系列拡散法(TSDM)を提案する。
改良されたU-netアーキテクチャを使用し、1次元時系列データから特徴を分割抽出する。
論文 参考訳(メタデータ) (2023-12-13T08:53:37Z) - Denoising Diffusion Probabilistic Models for Hardware-Impaired
Communication Systems: Towards Wireless Generative AI [13.731989014750388]
ハードウェア不備なトランシーバを用いた有限精度無線通信システムにおいて,拡散確率モデル(DDPM)を提案する。
これに触発されて、現実的な非理想に直面する実用的な無線通信方式としてDDPMベースの受信機が提案される。
提案手法は低SNR下でのネットワークレジリエンス,HWIレベルと量子化誤差の相違によるほぼ不変な再構成性能,非ガウス雑音に対するロバストなアウト・オブ・ディストリビューション性能を実現する。
論文 参考訳(メタデータ) (2023-10-30T11:33:01Z) - Energy-Based Models for Anomaly Detection: A Manifold Diffusion Recovery
Approach [12.623417770432146]
本稿では,データ内の低次元構造を利用した異常検出のための新しいエネルギーベースモデル(EBM)のトレーニング手法を提案する。
提案したアルゴリズムであるManifold Projection-Diffusion Recovery (MPDR) は、トレーニングデータセットを近似した低次元多様体に沿ったデータポイントを摂動する。
実験の結果,MPDRは多種多様なデータ型を含む様々な異常検出タスクに対して高い性能を示すことがわかった。
論文 参考訳(メタデータ) (2023-10-28T11:18:39Z) - Discrete Diffusion Modeling by Estimating the Ratios of the Data
Distribution [76.33705947080871]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。
標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文 参考訳(メタデータ) (2023-10-25T17:59:12Z) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳(メタデータ) (2023-10-03T05:05:35Z) - Steerable Conditional Diffusion for Out-of-Distribution Adaptation in
Imaging Inverse Problems [78.76955228709241]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。
このフレームワークは、利用可能な測定データに特化してデノイングネットワークを適用する。
我々は多様な画像モダリティをまたいだOOD性能の大幅な向上を実現した。
論文 参考訳(メタデータ) (2023-08-28T08:47:06Z) - Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。
暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。
提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2023-06-21T18:49:22Z) - Learning From High-Dimensional Cyber-Physical Data Streams for
Diagnosing Faults in Smart Grids [4.616703548353371]
サイバー物理電力システムにおける故障診断は、データ品質に影響される。
これらのシステムは、過剰な計算コストでシステムを過大評価する大量のデータを生成する。
本稿では,機能工学が上記の課題を緩和する効果について述べる。
論文 参考訳(メタデータ) (2023-03-15T01:21:50Z) - DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for
Hyperspectral Image Restoration [103.79030498369319]
ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。
textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。
HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
論文 参考訳(メタデータ) (2023-03-12T14:57:04Z) - State and Topology Estimation for Unobservable Distribution Systems
using Deep Neural Networks [8.673621107750652]
リアルタイムオブザーバビリティが制限されているため,再構成可能な分散ネットワークの時間同期状態推定は困難である。
本論文では,深層学習(DL)に基づくトポロジー同定(TI)と不均衡な3相分布系状態推定(DSSE)の手法を定式化する。
2つのディープニューラルネットワーク(DNN)は、同期失調症測定装置(SMD)によって不完全に観察されるシステムに対して、TIおよびDSSEを実装するために順次動作するように訓練されます。
論文 参考訳(メタデータ) (2021-04-15T02:46:50Z)
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。