論文の概要: DPFAGA-Dynamic Power Flow Analysis and Fault Characteristics: A Graph Attention Neural Network

• arxiv url: http://arxiv.org/abs/2503.15563v2
• Date: Sun, 23 Mar 2025 04:30:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 11:09:45.049090
• Title: DPFAGA-Dynamic Power Flow Analysis and Fault Characteristics: A Graph Attention Neural Network
• Title（参考訳）: DPFAGA-Dynamic Power Flow解析と故障特性:グラフ注意ニューラルネットワーク
• Authors: Tan Le, Van Le,
• Abstract要約: 本稿では, 動的潮流解析と断層特性を考慮した共同グラフ注意ニューラルネットワーク(GAT)とアダプティブ隣人(CAN)によるクラスタリングを提案する。 次に、スマートグリッドのユースケースアプリケーションで提案したフレームワークを評価し、既存の手法と公正に比較する。
• 参考スコア（独自算出の注目度）: 0.19439126568870457
• License:
• Abstract: We propose the joint graph attention neural network (GAT), clustering with adaptive neighbors (CAN) and probabilistic graphical model for dynamic power flow analysis and fault characteristics. In fact, computational efficiency is the main focus to enhance, whilst we ensure the performance accuracy at the accepted level. Note that Machine Learning (ML) based schemes have a requirement of sufficient labeled data during training, which is not easily satisfied in practical applications. Also, there are unknown data due to new arrived measurements or incompatible smart devices in complex smart grid systems. These problems would be resolved by our proposed GAT based framework, which models the label dependency between the network data and learns object representations such that it could achieve the semi-supervised fault diagnosis. To create the joint label dependency, we develop the graph construction from the raw acquired signals by using CAN. Next, we develop the probabilistic graphical model of Markov random field for graph representation, which supports for the GAT based framework. We then evaluate the proposed framework in the use-case application in smart grid and make a fair comparison to the existing methods.
• Abstract（参考訳）: 本稿では,協調グラフアテンションニューラルネットワーク(GAT),適応的隣人(CAN)によるクラスタリング,動的潮流解析と断層特性の確率的グラフィカルモデルを提案する。 実際、計算効率は、許容レベルにおける性能の正確性を確保しながら、強化する主な焦点である。 機械学習(ML)ベースのスキームは、トレーニング中に十分なラベル付きデータを必要とするため、実用的なアプリケーションでは容易に満足できないことに注意してください。 また、複雑なスマートグリッドシステムにおいて、新しい到着測定や非互換なスマートデバイスによる未知のデータもある。 これらの問題は,ネットワークデータ間のラベル依存性をモデル化し,半教師付き故障診断を実現するためのオブジェクト表現を学習するGATベースのフレームワークによって解決される。 共同ラベルの依存関係を作成するために,CANを用いて生の取得した信号からグラフ構築を開発する。 次に、GATベースのフレームワークをサポートするグラフ表現のためのマルコフ確率場の確率的グラフィカルモデルを開発する。 次に、スマートグリッドのユースケースアプリケーションで提案したフレームワークを評価し、既存の手法と公正に比較する。

関連論文リスト

• Non-Euclidean Hierarchical Representational Learning using Hyperbolic Graph Neural Networks for Environmental Claim Detection [1.3673890873313355]
  トランスフォーマーベースのモデルは、感情分析、機械翻訳、クレーム検証といったNLPタスクを支配している。 本研究では,環境クレーム検出のための軽量かつ効果的な代替手段として,グラフニューラルネットワーク(GNN)とハイパーボリックグラフニューラルネットワーク(HGNN)を探索する。
  論文  参考訳（メタデータ） (2025-02-19T11:04:59Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• A Heterogeneous Graph-Based Multi-Task Learning for Fault Event Diagnosis in Smart Grid [1.6385815610837167]
  断層の検出,位置決定,分類が可能な異種多タスク学習グラフニューラルネットワーク(MTL-GNN)を提案する。 グラフニューラルネットワーク(GNN)を使用することで、分布システムのトポロジ的表現を学習することができる。 本研究は,分散システムにおけるキーノードを識別する新しいGNNに基づく説明可能性手法を提案する。
  論文  参考訳（メタデータ） (2023-09-18T16:35:30Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• 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)
• Hierarchical BiGraph Neural Network as Recommendation Systems [0.0]
  本稿では,GNNをレコメンデーションシステムとして使用し,ビグラフフレームワークを用いてユーザイテム機能を構築する階層的アプローチを提案する。 実験の結果,現在の推薦システム手法と伝達性との競合性能が示された。
  論文  参考訳（メタデータ） (2020-07-27T18:01:41Z)
• Active Learning on Attributed Graphs via Graph Cognizant Logistic Regression and Preemptive Query Generation [37.742218733235084]
  本稿では,属性グラフにおけるノード分類処理のための新しいグラフベース能動学習アルゴリズムを提案する。 提案アルゴリズムは,線形化グラフ畳み込みニューラルネットワーク(GCN)と等価なグラフ認識ロジスティック回帰を用いて,予測フェーズの誤差低減を最大化する。 5つの公開ベンチマークデータセットで実験を行い、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-07-09T18:00:53Z)
• Neural Stochastic Block Model & Scalable Community-Based Graph Learning [8.00785050036369]
  本稿では,グラフ学習のためのスケーラブルなコミュニティベースニューラルネットワークを提案する。 このフレームワークは,コミュニティ検出とリンク予測のタスクを通じて,グラフトポロジを学習する。 グラフアライメントと異常相関検出の2つの応用について検討する。
  論文  参考訳（メタデータ） (2020-05-16T03:28:50Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
  本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。 特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。 我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
  論文  参考訳（メタデータ） (2020-01-31T09:23:52Z)

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。