論文の概要: PowerGraph: A power grid benchmark dataset for graph neural networks
- arxiv url: http://arxiv.org/abs/2402.02827v1
- Date: Mon, 5 Feb 2024 09:24:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 17:11:45.558920
- Title: PowerGraph: A power grid benchmark dataset for graph neural networks
- Title(参考訳): PowerGraph: グラフニューラルネットワークのための電力グリッドベンチマークデータセット
- Authors: Anna Varbella, Kenza Amara, Blazhe Gjorgiev, Giovanni Sansavini
- Abstract要約: 送電網における停電の主な原因である故障イベントをカスケードするためのグラフデータセットを開発する。
PowerGraphは、グラフレベルのタスクと説明可能性のためのより良いGNNモデルの開発を支援する。
- 参考スコア(独自算出の注目度): 0.46085106405479537
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Public Graph Neural Networks (GNN) benchmark datasets facilitate the use of
GNN and enhance GNN applicability to diverse disciplines. The community
currently lacks public datasets of electrical power grids for GNN applications.
Indeed, GNNs can potentially capture complex power grid phenomena over
alternative machine learning techniques. Power grids are complex engineered
networks that are naturally amenable to graph representations. Therefore, GNN
have the potential for capturing the behavior of power grids over alternative
machine learning techniques. To this aim, we develop a graph dataset for
cascading failure events, which are the major cause of blackouts in electric
power grids. Historical blackout datasets are scarce and incomplete. The
assessment of vulnerability and the identification of critical components are
usually conducted via computationally expensive offline simulations of
cascading failures. Instead, we propose using machine learning models for the
online detection of cascading failures leveraging the knowledge of the system
state at the onset of the cascade. We develop PowerGraph, a graph dataset
modeling cascading failures in power grids, designed for two purposes, namely,
i) training GNN models for different graph-level tasks including multi-class
classification, binary classification, and regression, and ii) explaining GNN
models. The dataset generated via a physics-based cascading failure model
ensures the generality of the operating and environmental conditions by
spanning diverse failure scenarios. In addition, we foster the use of the
dataset to benchmark GNN explainability methods by assigning ground-truth
edge-level explanations. PowerGraph helps the development of better GNN models
for graph-level tasks and explainability, critical in many domains ranging from
chemistry to biology, where the systems and processes can be described as
graphs.
- Abstract(参考訳): Public Graph Neural Networks(GNN)ベンチマークデータセットは、GNNの使用を促進し、さまざまな分野へのGNNの適用性を高める。
コミュニティは現在、GNNアプリケーション用の電力グリッドの公開データセットを欠いている。
実際、GNNは代替機械学習技術よりも複雑な電力グリッド現象を捉えることができる。
パワーグリッドは、グラフ表現に自然に対応可能な複雑なネットワークである。
したがって、GNNは代替機械学習技術よりも電力グリッドの挙動を捉える可能性がある。
この目的のために,電力系統における停電の主な原因である障害イベントをカスケードするためのグラフデータセットを開発した。
歴史的ブラックアウトデータセットは少なく、不完全である。
脆弱性の評価と臨界成分の同定は通常、カスケード故障の計算コストの高いオフラインシミュレーションによって行われる。
そこで本研究では,カスケード発生時のシステム状態の知識を活用して,カスケード障害のオンライン検出のための機械学習モデルを提案する。
我々はpowergraphを開発した。powergraphは、電力グリッドの障害をモデル化するグラフデータセットである。
i)多類分類、二分分類、回帰を含む異なるグラフレベルのタスクに対するgnnモデルの訓練
二 GNNモデルを説明すること。
物理ベースのカスケード障害モデルによって生成されたデータセットは、さまざまな障害シナリオにまたがる操作と環境条件の汎用性を保証する。
さらに,本論文では,gnn 説明可能性のベンチマーク手法として,接地エッジレベルの説明を割り当てることにより,データセットの利用を促進する。
PowerGraphは、化学から生物学まで多くの領域において重要な、グラフレベルのタスクと説明可能性のためのより良いGNNモデルの開発を支援する。
関連論文リスト
- DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳(メタデータ) (2023-05-22T10:29:52Z) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳(メタデータ) (2022-08-21T15:12:08Z) - Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。
我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文 参考訳(メタデータ) (2022-07-10T06:42:02Z) - Power Flow Balancing with Decentralized Graph Neural Networks [4.812718493682454]
汎用グリッド内の電力フローのバランスをとるために,グラフニューラルネットワーク(GNN)に基づくエンドツーエンドフレームワークを提案する。
提案するフレームワークは,ディープラーニングに基づく他の解法と比較して効率的であり,グリッドコンポーネントの物理量だけでなくトポロジにも頑健である。
論文 参考訳(メタデータ) (2021-11-03T12:14:56Z) - Scaling Graph-based Deep Learning models to larger networks [2.946140899052065]
Graph Neural Networks (GNN)は、ネットワーク制御と管理のために商用製品に統合される可能性を示している。
本稿では,リンク容量の増大やリンクトラフィックの集約など,大規模ネットワークに効果的にスケール可能なGNNベースのソリューションを提案する。
論文 参考訳(メタデータ) (2021-10-04T09:04:19Z) - Power to the Relational Inductive Bias: Graph Neural Networks in
Electrical Power Grids [1.732048244723033]
いくつかの重要な点において、電力網とは異なるグラフを含むベンチマークによって駆動されるGNN研究の間にはギャップがあることを論じる。
このギャップを, (i) 電力グリッドグラフデータセットを帰納的設定で定義し, (ii) グラフ特性の探索的解析を行い, (iii) 実世界の電力グリッドにおける状態推定の具体的な学習課題に関する実証的研究を行った。
論文 参考訳(メタデータ) (2021-09-08T12:56:00Z) - Analyzing the Performance of Graph Neural Networks with Pipe Parallelism [2.269587850533721]
ノードやエッジの分類やリンクの予測といったタスクで大きな成功を収めたグラフニューラルネットワーク(GNN)に注目した。
グラフ技術の進歩には,大規模ネットワーク処理のための新たなアプローチが必要である。
私たちは、ディープラーニングコミュニティで成功したと知られている既存のツールとフレームワークを使用して、GNNを並列化する方法を研究します。
論文 参考訳(メタデータ) (2020-12-20T04:20:38Z) - Discriminability of Single-Layer Graph Neural Networks [172.5042368548269]
グラフニューラルネットワーク(GNN)は、幅広い問題について有望な性能を示した。
本稿では, 識別可能性の特性に着目し, 安定グラフフィルタバンクへのポイントワイド非線形性の適用により, 高固有値コンテンツに対する識別能力が向上する条件を確立する。
論文 参考訳(メタデータ) (2020-10-17T18:52:34Z) - XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。
GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。
我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
論文 参考訳(メタデータ) (2020-06-03T23:52:43Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳(メタデータ) (2020-03-08T13:02:15Z)
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。