論文の概要: Data-Driven Approximation of Binary-State Network Reliability Function: Algorithm Selection and Reliability Thresholds for Large-Scale Systems

• arxiv url: http://arxiv.org/abs/2503.15545v1
• Date: Sun, 16 Mar 2025 13:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:35:16.780509
• Title: Data-Driven Approximation of Binary-State Network Reliability Function: Algorithm Selection and Reliability Thresholds for Large-Scale Systems
• Title（参考訳）: 2状態ネットワーク信頼性関数のデータ駆動近似:大規模システムのアルゴリズム選択と信頼性閾値
• Authors: Wei-Chang Yeh,
• Abstract要約: 本研究は,3つの信頼性体制(0.0-1.0),高信頼性(0.9-1.0),超高信頼性(0.99-1.0)にわたる20の機械学習手法を評価する。 本研究では,円弧の信頼性が0.9以下である大規模ネットワークが,ほぼ均一なシステムの信頼性を示し,計算の単純化を実現していることを示す。
• 参考スコア（独自算出の注目度）: 0.08158530638728499
• License:
• Abstract: Network reliability assessment is pivotal for ensuring the robustness of modern infrastructure systems, from power grids to communication networks. While exact reliability computation for binary-state networks is NP-hard, existing approximation methods face critical tradeoffs between accuracy, scalability, and data efficiency. This study evaluates 20 machine learning methods across three reliability regimes full range (0.0-1.0), high reliability (0.9-1.0), and ultra high reliability (0.99-1.0) to address these gaps. We demonstrate that large-scale networks with arc reliability larger than or equal to 0.9 exhibit near-unity system reliability, enabling computational simplifications. Further, we establish a dataset-scale-driven paradigm for algorithm selection: Artificial Neural Networks (ANN) excel with limited data, while Polynomial Regression (PR) achieves superior accuracy in data-rich environments. Our findings reveal ANN's Test-MSE of 7.24E-05 at 30,000 samples and PR's optimal performance (5.61E-05) at 40,000 samples, outperforming traditional Monte Carlo simulations. These insights provide actionable guidelines for balancing accuracy, interpretability, and computational efficiency in reliability engineering, with implications for infrastructure resilience and system optimization.
• Abstract（参考訳）: ネットワーク信頼性評価は、電力網から通信網に至るまで、現代のインフラシステムの堅牢性を保証するために重要である。 二項状態ネットワークの正確な信頼性計算はNPハードであるが、既存の近似法は精度、スケーラビリティ、データ効率の重大なトレードオフに直面している。 本研究は,3つの信頼性体制(0.0-1.0),高信頼性(0.9-1.0),超高信頼性(0.99-1.0)にわたる20の機械学習手法を評価する。 本研究では,円弧の信頼性が0.9以下である大規模ネットワークが,ほぼ均一なシステムの信頼性を示し,計算の単純化を実現していることを示す。 さらに,アルゴリズム選択のためのデータセットスケールのパラダイムを確立する。ANN(Artificial Neural Networks)は限られたデータに優れ,PR(Polynomial Regression)はデータリッチ環境において優れた精度を実現する。 その結果,ANNの7.24E-05は30,000試料,PRの4万試料における最適性能(5.61E-05)は従来のモンテカルロシミュレーションより優れていた。 これらの洞察は、信頼性工学における正確性、解釈可能性、計算効率のバランスをとるための実用的なガイドラインを提供する。

関連論文リスト

• Federated Learning for Efficient Condition Monitoring and Anomaly Detection in Industrial Cyber-Physical Systems [0.30723404270319693]
  本稿では,センサの信頼性に基づく適応モデルアグリゲーション,資源最適化のための動的ノード選択,耐故障性のためのワイブルチェックポインティングという,3つの重要な革新を伴う拡張FLフレームワークを提案する。 NASAベアリングと水圧システムのデータセットの実験は、最先端のFL法と比較して優れた性能を示し、異常検出とノード故障時の精度の維持において99.5%のAUC-ROCを達成した。
  論文  参考訳（メタデータ） (2025-01-28T03:04:47Z)
• Approximate Message Passing for Bayesian Neural Networks [0.8192907805418583]
  予測後部を因子グラフとしてモデル化する新しい枠組みを提案する。 我々は,約890kパラメータの畳み込みニューラルネットワークを用いて,CIFAR-10に対するアプローチを評価し,SOTAベースラインと競合できることを見出した。 我々の手法は560万のパラメータにスケールするが、最先端の変分推論手法のスケールと性能にはさらなる改善が必要である。
  論文  参考訳（メタデータ） (2025-01-26T15:58:42Z)
• Multi-Fidelity Bayesian Neural Network for Uncertainty Quantification in Transonic Aerodynamic Loads [0.0]
  本稿では,多要素ベイズニューラルネットワークモデルを実装し,異なる忠実度モデルによって生成されたデータに転送学習を適用した。 その結果,マルチ忠実ベイズモデルでは,非表示データに対する総合的精度とロバスト性の観点から,最先端のCo-Krigingよりも優れていた。
  論文  参考訳（メタデータ） (2024-07-08T07:34:35Z)
• Data-Driven Lipschitz Continuity: A Cost-Effective Approach to Improve Adversarial Robustness [47.9744734181236]
  我々は、ディープニューラルネットワーク(DNN)の敵攻撃に対する堅牢性を証明するために、リプシッツ連続性の概念を探求する。 本稿では,入力領域を制約範囲に再マップし,リプシッツ定数を低減し,ロバスト性を高める新しいアルゴリズムを提案する。 本手法は,ロバストベンチリーダーボード上のCIFAR10,CIFAR100,ImageNetデータセットに対して,最も堅牢な精度を実現する。
  論文  参考訳（メタデータ） (2024-06-28T03:10:36Z)
• FusionAD: Multi-modality Fusion for Prediction and Planning Tasks of Autonomous Driving [20.037562671813]
  FusionADは、最も重要なセンサー、カメラ、LiDARからの情報を融合する最初の統合フレームワークです。 カメラベースのエンドツーエンドUniADに対して、FMSと呼ばれるモダリティ対応の予測ステータス計画モジュールを融合支援する手法を確立する。 我々は、一般的に使用されているベンチマークnuのデータセット、我々の最先端性能、検出や追跡などの認識タスクにおける平均15%のベースライン、占有率の10%の予測精度、予測誤差の0.708から0.389の削減、衝突率の0.31%の削減など、幅広い実験を行った。
  論文  参考訳（メタデータ） (2023-08-02T08:29:44Z)
• Confidence-Aware Graph Neural Networks for Learning Reliability Assessment Commitments [13.71115322497235]
  グリッド操作において信頼性評価コミットメント(RAC)の最適化がますます重要である。 本研究の目的は、RACの定式化の範囲を広げることによる計算上の課題に対処することである。 RACLearnは、グラフニューラルネットワーク(GNN)ベースのアーキテクチャを使用して、ジェネレータのコミットメントとアクティブなライン制約を予測する。
  論文  参考訳（メタデータ） (2022-11-28T20:22:10Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Data Dependent Randomized Smoothing [127.34833801660233]
  データ依存フレームワークは、3つのランダムな平滑化アプローチにシームレスに組み込むことができます。 CIFAR10とImageNetで0.5の半径の最強ベースラインの認定精度よりも9%と6%の改善が得られています。
  論文  参考訳（メタデータ） (2020-12-08T10:53:11Z)
• ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
  本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。 まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。 提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-07T02:12:02Z)
• Triple Wins: Boosting Accuracy, Robustness and Efficiency Together by Enabling Input-Adaptive Inference [119.19779637025444]
  深層ネットワークは、(クリーンな自然画像の場合)正確さと(敵対的な摂動画像の場合)頑健さの相違に直面することを最近提案された。 本稿では,入力適応推論に関連するマルチエグジットネットワークについて検討し,モデル精度,ロバスト性,効率の最適化において「スイートポイント」を達成する上での強い期待を示す。
  論文  参考訳（メタデータ） (2020-02-24T00:40:22Z)

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。