論文の概要: Learning-to-solve unit commitment based on few-shot physics-guided spatial-temporal graph convolution network

• arxiv url: http://arxiv.org/abs/2405.01200v1
• Date: Thu, 2 May 2024 11:43:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 16:54:18.367699
• Title: Learning-to-solve unit commitment based on few-shot physics-guided spatial-temporal graph convolution network
• Title（参考訳）: 数ショット物理誘導時空間グラフ畳み込みネットワークに基づく学習と解決の単位コミットメント
• Authors: Mei Yang, Gao Qiu andJunyong Liu, Kai Liu,
• Abstract要約: 本稿では,物理誘導型時空間グラフ畳み込みネットワーク(FPG-SCN)を提案する。 IEEEベンチマークのケーススタディでは,本手法はUCの実現可能性について主流の学習方法を最優先し,従来の解法よりも効率を優先している。
• 参考スコア（独自算出の注目度）: 8.82803127680483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This letter proposes a few-shot physics-guided spatial temporal graph convolutional network (FPG-STGCN) to fast solve unit commitment (UC). Firstly, STGCN is tailored to parameterize UC. Then, few-shot physics-guided learning scheme is proposed. It exploits few typical UC solutions yielded via commercial optimizer to escape from local minimum, and leverages the augmented Lagrangian method for constraint satisfaction. To further enable both feasibility and continuous relaxation for integers in learning process, straight-through estimator for Tanh-Sign composition is proposed to fully differentiate the mixed integer solution space. Case study on the IEEE benchmark justifies that, our method bests mainstream learning ways on UC feasibility, and surpasses traditional solver on efficiency.
• Abstract（参考訳）: 本稿では,物理誘導型空間時間グラフ畳み込みネットワーク(FPG-STGCN)を提案する。 まず、STGCNはUCをパラメータ化するように調整される。 そこで,数発の物理誘導学習方式を提案する。 これは、局所的な最小限から逃れるために商用オプティマイザを介して得られる典型的なUCソリューションをほとんど利用せず、ラグランジアン法を活用して制約満足度を高める。 さらに、学習過程における整数の実現可能性と連続緩和を可能にするため、混合整数解空間を完全に区別するために、Tanh-Sign合成のためのストレートスルー推定器を提案する。 IEEEベンチマークのケーススタディでは,本手法はUCの実現可能性について主流の学習方法を最優先し,従来の解法よりも効率を優先している。

関連論文リスト

• Good Lattice Training: Physics-Informed Neural Networks Accelerated by Number Theory [7.462336024223669]
  本稿では,PINNのためのGLT(Good lattice Training)と呼ばれる新しい手法を提案する。 GLT は、少数の点や多次元空間に対しても有効であるコロケーション点の集合を提供する。 実験の結果、GLTはランダムサンプリングやラテンハイパーキューブサンプリングよりも2～20倍少ないコロケーションポイントを必要とすることがわかった。
  論文  参考訳（メタデータ） (2023-07-26T00:01:21Z)
• Gradient Sparsification for Efficient Wireless Federated Learning with Differential Privacy [25.763777765222358]
  フェデレートラーニング(FL)により、分散クライアントは、生データを互いに共有することなく、機械学習モデルを協調的にトレーニングできる。 モデルのサイズが大きくなるにつれて、送信帯域の制限によるトレーニングのレイテンシが低下し、個人情報が劣化すると同時に、差分プライバシ(DP)保護を使用する。 我々は、収束性能を犠牲にすることなく、トレーニング効率を向上させるために、FLフレームワーク無線チャネルのスペース化を提案する。
  論文  参考訳（メタデータ） (2023-04-09T05:21:15Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Spatio-Temporal Super-Resolution of Dynamical Systems using Physics-Informed Deep-Learning [0.0]
  本稿では,PDE解の空間的・時間的分解能を高める物理インフォームド・ディープ・ラーニング・ベース・フレームワークを提案する。 このフレームワークは、2つの訓練可能なモジュールから成り、独立に超解(空間と時間の両方) PDE ソリューションである。 提案手法は,工学設計における計算複雑性を低減するため,従来の数値手法との統合に適している。
  論文  参考訳（メタデータ） (2022-12-08T18:30:18Z)
• Learning to Solve Combinatorial Graph Partitioning Problems via Efficient Exploration [72.15369769265398]
  実験により、ECORDは最大カット問題に対するRLアルゴリズムのための新しいSOTAを実現する。 最も近い競合と比較して、ECORDは最適性ギャップを最大73%削減する。
  論文  参考訳（メタデータ） (2022-05-27T17:13:10Z)
• Accelerating Federated Edge Learning via Topology Optimization [41.830942005165625]
  フェデレートエッジラーニング(FEEL)は、プライバシー保護の分散ラーニングを実現するための有望なパラダイムとして考えられている。 ストラグラー装置の存在により、過度の学習時間を消費する。 フェデレーション学習における不均一性問題に対処するために,新しいトポロジ最適化フェデレーション・エッジ・ラーニング(TOFEL)手法を提案する。
  論文  参考訳（メタデータ） (2022-04-01T14:49:55Z)
• GradInit: Learning to Initialize Neural Networks for Stable and Efficient Training [59.160154997555956]
  ニューラルネットワークを初期化するための自動化およびアーキテクチャ手法であるgradinitを提案する。 各ネットワーク層の分散は、SGDまたはAdamの単一ステップが最小の損失値をもたらすように調整される。 また、学習率のウォームアップを伴わずに、オリジナルのPost-LN Transformerを機械翻訳用にトレーニングすることもできる。
  論文  参考訳（メタデータ） (2021-02-16T11:45:35Z)
• 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)
• Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
  コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。 非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。 また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
  論文  参考訳（メタデータ） (2020-04-11T03:50:59Z)

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。