論文の概要: Graph Reinforcement Learning for Power Grids: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2407.04522v3
• Date: Mon, 26 Aug 2024 15:13:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 22:57:33.289057
• Title: Graph Reinforcement Learning for Power Grids: A Comprehensive Survey
• Title（参考訳）: 電力グリッドのためのグラフ強化学習:包括的調査
• Authors: Mohamed Hassouna, Clara Holzhüter, Pawel Lytaev, Josephine Thomas, Bernhard Sick, Christoph Scholz,
• Abstract要約: 再生可能エネルギーと分散型発電の台頭は、従来の方法の限界を克服するための新しいアプローチを必要とする。 グラフニューラルネットワークは、グラフ構造化データから学ぶことができるため、有望である。 本稿では,グラフ強化学習が電力グリッドのユースケースにおける表現学習と意思決定をどのように改善するかを概説する。
• 参考スコア（独自算出の注目度）: 1.3124421498970822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of renewable energy and distributed generation requires new approaches to overcome the limitations of traditional methods. In this context, Graph Neural Networks are promising due to their ability to learn from graph-structured data. Combined with Reinforcement Learning, they can serve as control approaches to determine remedial network actions. This review analyses how Graph Reinforcement Learning (GRL) can improve representation learning and decision making in power grid use cases. Although GRL has demonstrated adaptability to unpredictable events and noisy data, it is primarily at a proof-of-concept stage. We highlight open challenges and limitations with respect to real-world applications.
• Abstract（参考訳）: 再生可能エネルギーと分散型発電の台頭は、従来の方法の限界を克服するための新しいアプローチを必要とする。 この文脈では、グラフ構造化データから学習できるため、グラフニューラルネットワークは有望である。 強化学習(Reinforcement Learning)と組み合わせることで、リメディアルネットワークアクションを決定するための制御アプローチとして機能する。 本稿では,グラフ強化学習(GRL)が電力グリッドのユースケースにおける表現学習と意思決定をいかに改善できるかを概観する。 GRLは予測不可能な事象やノイズの多いデータへの適応性を示したが、主に概念実証段階にある。 現実世界のアプリケーションに関して、オープンな課題と制限を強調します。

関連論文リスト

• Disentangled Generative Graph Representation Learning [51.59824683232925]
  本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。 潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。 2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-24T05:13:02Z)
• Continual Learning on Graphs: Challenges, Solutions, and Opportunities [72.7886669278433]
  本稿では,既存の連続グラフ学習(CGL)アルゴリズムの総合的なレビューを行う。 従来の連続学習手法と比較し,従来の連続学習手法の適用性を分析した。 アクセス可能なアルゴリズムの包括的なリストを含む、最新のリポジトリを維持します。
  論文  参考訳（メタデータ） (2024-02-18T12:24:45Z)
• PowerGraph: A power grid benchmark dataset for graph neural networks [7.504044714471332]
  本稿では、電力フロー、最適電力フロー、カスケード故障解析のためのGNN調整データセットを含むPowerGraphを提案する。 PowerGraphは、さまざまなタスクのための多面的なGNNデータセットで、実世界の説明を含む電力フローと障害シナリオを含んでいる。
  論文  参考訳（メタデータ） (2024-02-05T09:24:52Z)
• Learning How to Propagate Messages in Graph Neural Networks [55.2083896686782]
  本稿では,グラフニューラルネットワーク(GNN)におけるメッセージ伝搬戦略の学習問題について検討する。 本稿では,GNNパラメータの最大類似度推定を支援するために,最適伝搬ステップを潜時変数として導入する。 提案フレームワークは,GNNにおけるメッセージのパーソナライズおよび解釈可能な伝達戦略を効果的に学習することができる。
  論文  参考訳（メタデータ） (2023-10-01T15:09:59Z)
• Counterfactual Learning on Graphs: A Survey [34.47646823407408]
  グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。 グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。 グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な手法が提案されている。
  論文  参考訳（メタデータ） (2023-04-03T21:42:42Z)
• Reinforced Continual Learning for Graphs [18.64268861430314]
  本稿では,アーキテクチャベースとメモリベースのアプローチを組み合わせたグラフ連続学習戦略を提案する。 タスク・インクリメンタル・ラーニングとクラス・インクリメンタル・ラーニング・セッティングの両方において,いくつかのグラフ連続学習ベンチマーク問題を用いて数値検証を行った。
  論文  参考訳（メタデータ） (2022-09-04T07:49:59Z)
• An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。 本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。 我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
  論文  参考訳（メタデータ） (2022-06-01T09:59:09Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Quantifying Challenges in the Application of Graph Representation Learning [0.0]
  私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。 実世界のグラフ特性に関する表現力を評価する。 GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-18T03:19:43Z)
• Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
  グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。 しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。 本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。