論文の概要: AI Explainability for Power Electronics: From a Lipschitz Continuity Perspective

• arxiv url: http://arxiv.org/abs/2501.09948v1
• Date: Fri, 17 Jan 2025 04:20:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 17:59:09.65668
• Title: AI Explainability for Power Electronics: From a Lipschitz Continuity Perspective
• Title（参考訳）: パワーエレクトロニクスのAI説明可能性:リプシッツ連続性の観点から
• Authors: Xinze Li, Fanfan Lin, Homer Alan Mantooth, Juan José Rodríguez-Andina,
• Abstract要約: 本稿では,数学的説明可能性を評価するための一般的な枠組みを提案する。 推論安定性は入力摂動の下で一貫した出力を制御し、堅牢なリアルタイム制御と故障診断に必須である。 オーバーシュートと発振を緩和しながら収束を加速するリプシッツ対応学習率選択戦略を導入する。
• 参考スコア（独自算出の注目度）: 2.2827888408068624
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lifecycle management of power converters continues to thrive with emerging artificial intelligence (AI) solutions, yet AI mathematical explainability remains unexplored in power electronics (PE) community. The lack of theoretical rigor challenges adoption in mission-critical applications. Therefore, this letter proposes a generic framework to evaluate mathematical explainability, highlighting inference stability and training convergence from a Lipschitz continuity perspective. Inference stability governs consistent outputs under input perturbations, essential for robust real-time control and fault diagnosis. Training convergence guarantees stable learning dynamics, facilitating accurate modeling in PE contexts. Additionally, a Lipschitz-aware learning rate selection strategy is introduced to accelerate convergence while mitigating overshoots and oscillations. The feasibility of the proposed Lipschitz-oriented framework is demonstrated by validating the mathematical explainability of a state-of-the-art physics-in-architecture neural network, and substantiated through empirical case studies on dual-active-bridge converters. This letter serves as a clarion call for the PE community to embrace mathematical explainability, heralding a transformative era of trustworthy and explainable AI solutions that potentially redefine the future of power electronics.
• Abstract（参考訳）: パワーコンバータのライフサイクル管理は、新しい人工知能(AI)ソリューションで成長を続けているが、AIの数学的説明性は、電力エレクトロニクス(PE)コミュニティでは探索されていない。 理論的厳密さの欠如は、ミッションクリティカルな応用における採用に挑戦する。 そこで本論文では,リプシッツ連続性の観点からの推論安定性とトレーニング収束を強調し,数学的説明可能性を評価するための一般的な枠組みを提案する。 推論安定性は入力摂動の下で一貫した出力を制御し、堅牢なリアルタイム制御と故障診断に必須である。 トレーニング収束は安定した学習力学を保証し、PEコンテキストにおける正確なモデリングを容易にする。 さらに、オーバーシュートと発振を緩和しながら収束を加速するために、リプシッツ対応の学習率選択戦略を導入する。 提案したリプシッツ指向フレームワークの有効性は、最先端の物理構造ニューラルネットワークの数学的説明可能性を検証することによって実証され、デュアルアクティブブリッジコンバータの実証ケーススタディにより実証された。 この書簡は、PEコミュニティが数学的説明可能性を受け入れるための明確な呼びかけであり、電力エレクトロニクスの未来を再定義する、信頼できる、説明可能なAIソリューションの変革時代を告げるものである。

関連論文リスト

• Ultracoarse Equilibria and Ordinal-Folding Dynamics in Operator-Algebraic Models of Infinite Multi-Agent Games [0.0]
  エージェントの連続体を持つ無限ゲームのための演算子代数的フレームワークを開発する。 非可換連続性方程式によって支配される後悔に基づく学習力学が、一意の量子応答平衡に収束することを証明する。 本稿では,力学の自己参照深度を測定する計算可能な順序値指標である順序折り畳み指数を導入する。
  論文  参考訳（メタデータ） (2025-07-25T22:20:42Z)
• Contraction, Criticality, and Capacity: A Dynamical-Systems Perspective on Echo-State Networks [13.857230672081489]
  本稿では,機能解析,ランダム・アトラクタ理論,最近の神経科学的な知見を融合した統合的動的システム治療について述べる。 まず,大域リプシッツ力学とともにエコー状態特性(初期条件の洗い出し)がフェーディングメモリ特性をもたらすことを証明した。 第二に、ストーン・ワイエルシュトラスの戦略を用いて、非線形貯水池と線形リードアウトを持つESNが、因果的、タイムイン・フェイディング・メモリ・フィルタのバナッハ空間に密着していることを示す。 第3に、メモリ容量スペクトルを用いて計算資源を定量化し、どのように示すかを示す。
  論文  参考訳（メタデータ） (2025-07-24T14:41:18Z)
• CTRLS: Chain-of-Thought Reasoning via Latent State-Transition [57.51370433303236]
  チェーン・オブ・シント(CoT)推論は、大規模な言語モデルで複雑な問題を解釈可能な中間ステップに分解することを可能にする。 我々は,遅延状態遷移を伴うマルコフ決定プロセス(MDP)としてCoT推論を定式化するフレームワークであるgroundingSを紹介する。 我々は、ベンチマーク推論タスクにおける推論精度、多様性、探索効率の改善を示す。
  論文  参考訳（メタデータ） (2025-07-10T21:32:18Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Parametric Stability Analysis for Circuit Quantum Electrodynamical Hardwares [0.8192907805418583]
  時間依存変調は、その力学をMathieu型方程式にどのようにマッピングするかを示す。 摂動補正は高調波や弱い非線形性のような効果を捉える。 これらの結果から,読み出し精度,増幅ゲイン,マルチキュービットゲート安定性のしきい値が示唆された。
  論文  参考訳（メタデータ） (2025-05-19T14:31:46Z)
• Provably Transformers Harness Multi-Concept Word Semantics for Efficient In-Context Learning [53.685764040547625]
  トランスフォーマーベースの大規模言語モデル(LLM)は、卓越した創造力と出現能力を示している。 この研究は、トランスフォーマーが単語のマルチコンセプトセマンティクスをどのように活用し、強力なICLと優れたアウト・オブ・ディストリビューションICL能力を実現するかを示すための数学的解析を提供する。
  論文  参考訳（メタデータ） (2024-11-04T15:54:32Z)
• Tight Stability, Convergence, and Robustness Bounds for Predictive Coding Networks [60.3634789164648]
  予測符号化(PC)のようなエネルギーベースの学習アルゴリズムは、機械学習コミュニティにおいて大きな注目を集めている。 動的システム理論のレンズを用いて,PCの安定性,堅牢性,収束性を厳密に解析する。
  論文  参考訳（メタデータ） (2024-10-07T02:57:26Z)
• Mathematical Algorithm Design for Deep Learning under Societal and Judicial Constraints: The Algorithmic Transparency Requirement [65.26723285209853]
  計算モデルにおける透過的な実装が実現可能かどうかを分析するための枠組みを導出する。 以上の結果から,Blum-Shub-Smale Machinesは,逆問題に対する信頼性の高い解法を確立できる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-01-18T15:32:38Z)
• Q-Learning for Stochastic Control under General Information Structures and Non-Markovian Environments [1.90365714903665]
  反復に対する収束定理を提示し、特に一般の、おそらくは非マルコフ的環境下でのQ学習を反復する。 非マルコフ環境における様々な制御問題に対するこの定理の意義と応用について論じる。
  論文  参考訳（メタデータ） (2023-10-31T19:53:16Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Neuro-Symbolic Causal Reasoning Meets Signaling Game for Emergent Semantic Communications [71.63189900803623]
  創発的SCシステムフレームワークを提案し,創発的言語設計のためのシグナリングゲームと因果推論のためのニューロシンボリック(NeSy)人工知能(AI)アプローチで構成されている。 ESCシステムは、意味情報、信頼性、歪み、類似性の新たな指標を強化するように設計されている。
  論文  参考訳（メタデータ） (2022-10-21T15:33:37Z)
• Linear systems with neural network nonlinearities: Improved stability analysis via acausal Zames-Falb multipliers [0.0]
  ニューラルネットワークの非線形性を考慮した線形時間不変系のフィードバック相互干渉の安定性を離散時間で解析する。 このアプローチは、ニューラルネットワークの非線形性とフィードバック相互接続の安定性解析のための柔軟で汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T14:21:03Z)
• Lipschitz Recurrent Neural Networks [100.72827570987992]
  我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。 実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-22T08:44:52Z)

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。