Fugu-MT 論文翻訳(概要): Leveraging Multi-Task Learning for Multi-Label Power System Security Assessment

論文の概要: Leveraging Multi-Task Learning for Multi-Label Power System Security Assessment

arxiv url: http://arxiv.org/abs/2505.06207v1
Date: Fri, 09 May 2025 17:36:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-12 20:40:10.353025
Title: Leveraging Multi-Task Learning for Multi-Label Power System Security Assessment
Title（参考訳）: マルチラベル電力系統セキュリティ評価のためのマルチタスク学習の活用
Authors: Muhy Eddin Za'ter, Amir Sajad, Bri-Mathias Hodge,
Abstract要約: 本稿では,Multi-Task Learning (MTL) を用いた電力系統セキュリティ評価の新しい手法を提案する。提案するMTLフレームワークは, 静的, 電圧, 過渡的, 小信号安定性を同時に評価する。共有エンコーダと複数のデコーダで構成され、安定性タスク間の知識伝達を可能にする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper introduces a novel approach to the power system security assessment using Multi-Task Learning (MTL), and reformulating the problem as a multi-label classification task. The proposed MTL framework simultaneously assesses static, voltage, transient, and small-signal stability, improving both accuracy and interpretability with respect to the most state of the art machine learning methods. It consists of a shared encoder and multiple decoders, enabling knowledge transfer between stability tasks. Experiments on the IEEE 68-bus system demonstrate a measurable superior performance of the proposed method compared to the extant state-of-the-art approaches.
Abstract（参考訳）: 本稿では,Multi-Task Learning (MTL) を用いた電力系統のセキュリティ評価に新たなアプローチを導入し,この問題をマルチラベル分類タスクとして再検討する。提案するMTLフレームワークは,静的,電圧,過渡的,小信号安定性を同時に評価し,最先端の機械学習手法に対する精度と解釈性の両方を改善した。共有エンコーダと複数のデコーダで構成され、安定性タスク間の知識伝達を可能にする。 IEEE 68-busシステムにおける実験は,既存の最先端手法と比較して,提案手法の優れた評価性能を示す。

関連論文リスト

Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
実世界のマルチビューデータセットは、しばしば不均一で不完全である。本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。実験では、教師なしマルチビュークラスタリング、ノイズラベル分類、およびクロスモーダルハッシュ検索のためのプラグ・アンド・プレイモジュールとして採用する。
論文参考訳（メタデータ） (2025-03-06T07:01:08Z)
Semi-Supervised Multi-Task Learning Based Framework for Power System Security Assessment [0.0]
本稿では,Semi-Supervised Multi-Task Learning (SS-MTL) を用いた,電力系統の動的セキュリティ評価のための新しい機械学習フレームワークを開発する。提案フレームワークの基盤となる学習アルゴリズムは条件付きマスク付きエンコーダを統合し,マルチタスク学習を用いて特徴表現を分類する。 IEEE 68-busシステムに関する様々な実験を行い,提案手法の有効性を検証した。
論文参考訳（メタデータ） (2024-07-11T22:42:53Z)
Transmission Interface Power Flow Adjustment: A Deep Reinforcement Learning Approach based on Multi-task Attribution Map [33.929818014940054]
本稿では,データ駆動型深部強化学習(DRL)アプローチを導入し,複数の電力流調整タスクを共同で処理する。提案手法の中心にはマルチタスク属性マップ (MAM) があり、DRLエージェントは各送信インタフェースタスクを異なる電力系統ノードに明示的に属性付けることができる。このMAMに基づいて、エージェントは、最適に近い操作コストでマルチタスク調整問題を解決するための効果的な戦略をさらに提供することができる。
論文参考訳（メタデータ） (2024-05-24T08:20:53Z)
Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
本稿では,既存のMTL手法の効率性に焦点をあてる。バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
論文参考訳（メタデータ） (2024-02-05T22:15:55Z)
Low-Rank Multitask Learning based on Tensorized SVMs and LSSVMs [65.42104819071444]
マルチタスク学習(MTL)はタスク関連性を活用して性能を向上させる。タスクインデックスに対応する各モードを持つ高次テンソルを用いて、複数のインデックスが参照するタスクを自然に表現する。テンソル化サポートベクターマシン(SVM)と最小2乗サポートベクターマシン(LSSVM)を併用した低ランクMTL手法の汎用フレームワークを提案する。
論文参考訳（メタデータ） (2023-08-30T14:28:26Z)
Mitigating Gradient Bias in Multi-objective Learning: A Provably Convergent Stochastic Approach [38.76462300149459]
我々は多目的勾配最適化のための多目的補正法(MoCo)を開発した。本手法の特長は,非公正勾配を増大させることなく収束を保証できる点である。
論文参考訳（メタデータ） (2022-10-23T05:54:26Z)
Joint Differentiable Optimization and Verification for Certified Reinforcement Learning [91.93635157885055]
安全クリティカル制御システムのためのモデルベース強化学習では,システム特性を正式に認定することが重要である。本稿では,強化学習と形式検証を共同で行う枠組みを提案する。
論文参考訳（メタデータ） (2022-01-28T16:53:56Z)
Softmax with Regularization: Better Value Estimation in Multi-Agent Reinforcement Learning [72.28520951105207]
q$-learningの過大評価は、シングルエージェント強化学習で広く研究されている重要な問題である。ベースラインから逸脱する大きな関節動作値をペナライズする,新たな正規化ベースの更新方式を提案する。本手法は,StarCraft IIマイクロマネジメントの課題に対して,一貫した性能向上を実現する。
論文参考訳（メタデータ） (2021-03-22T14:18:39Z)
SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
論文参考訳（メタデータ） (2020-06-12T10:40:46Z)

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。