論文の概要: ExARNN: An Environment-Driven Adaptive RNN for Learning Non-Stationary Power Dynamics

• arxiv url: http://arxiv.org/abs/2505.17488v1
• Date: Fri, 23 May 2025 05:28:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.837383
• Title: ExARNN: An Environment-Driven Adaptive RNN for Learning Non-Stationary Power Dynamics
• Title（参考訳）: ExARNN:非定常パワーダイナミクスを学習するための環境駆動型適応RNN
• Authors: Haoran Li, Muhao Guo, Yang Weng, Marija Ilic, Guangchun Ruan,
• Abstract要約: 非定常電力系統のダイナミクスはますます複雑になりつつある。 リカレントニューラルネットワーク(RNN)を含む従来のモデルは、動的適応のために時間や環境データなどの外部要因をエンコードする効率的なメカニズムを欠いている。 本稿では,外部データ(天気,時間など)を統合し,ベースRNNのパラメータを連続的に調整する新しいフレームワークであるExarNNを提案する。
• 参考スコア（独自算出の注目度）: 8.217867304694714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-stationary power system dynamics, influenced by renewable energy variability, evolving demand patterns, and climate change, are becoming increasingly complex. Accurately capturing these dynamics requires a model capable of adapting to environmental factors. Traditional models, including Recurrent Neural Networks (RNNs), lack efficient mechanisms to encode external factors, such as time or environmental data, for dynamic adaptation. To address this, we propose the External Adaptive RNN (ExARNN), a novel framework that integrates external data (e.g., weather, time) to continuously adjust the parameters of a base RNN. ExARNN achieves this through a hierarchical hypernetwork design, using Neural Controlled Differential Equations (NCDE) to process external data and generate RNN parameters adaptively. This approach enables ExARNN to handle inconsistent timestamps between power and external measurements, ensuring continuous adaptation. Extensive forecasting tests demonstrate ExARNN's superiority over established baseline models.
• Abstract（参考訳）: 再生可能エネルギーの変動、需要パターンの進化、気候変動の影響を受け、非定常電力系統のダイナミクスはますます複雑になりつつある。 これらのダイナミクスを正確に捉えるには、環境要因に適応できるモデルが必要である。 リカレントニューラルネットワーク(RNN)を含む従来のモデルは、動的適応のために時間や環境データなどの外部要因をエンコードする効率的なメカニズムを欠いている。 そこで本研究では,外部データ(例えば天気,時間)を統合し,ベースRNNのパラメータを連続的に調整する新しいフレームワークであるExarNNを提案する。 ExARNNは階層的なハイパーネットワーク設計によってこれを達成し、NCDE(Neural Controlled Differential Equations)を使用して外部データを処理し、RNNパラメータを適応的に生成する。 このアプローチにより、ExARNNはパワーと外部測定の間の一貫性のないタイムスタンプを処理し、継続的な適応を保証できる。 大規模な予測テストは、確立されたベースラインモデルよりもExARNNの方が優れていることを示す。

関連論文リスト

• PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids [0.0]
  本稿では,高再生能統合下での電力系統状態予測のためのトポロジ対応グラフニューラルネットワーク(GNN)フレームワークを提案する。 我々は,電力ネットワークのグラフベース表現を構築し,伝送線路をノードやエッジとしてモデル化し,グラフSAGE畳み込みとGRU(Gated Recurrent Units)を統合した特殊なGNNアーキテクチャを導入する。 提案したGNNは, 完全連結ニューラルネットワーク, 線形回帰モデル, 圧延平均モデルなどのベースラインアプローチより優れ, 予測精度が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-03-26T01:22:31Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Adaptive Physics-Guided Neural Network [0.0]
  本稿では,画像データから品質特性を予測するための適応型物理誘導ニューラルネットワーク(APGNN)フレームワークを提案する。 APGNNは、データ駆動と物理インフォームド予測を適応的にバランスさせ、異なる環境におけるモデルの精度と堅牢性を高める。 実世界の実験では、APGNNは多様な熱画像データセットにおいて一貫して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-11-15T09:28:55Z)
• Continuous GNN-based Anomaly Detection on Edge using Efficient Adaptive Knowledge Graph Learning [4.479496001941191]
  ビデオ異常検出(VAD)は、インテリジェント監視、証拠調査、暴力検出などのアプリケーションにおいて重要なタスクである。 VADの従来のアプローチは、しばしば大規模で事前訓練されたモデルの微調整に依存しており、計算コストが高く、リアルタイムやリソース制約のある環境では実用的ではない。 本稿では,クラウド依存の限界を克服し,エッジデバイス上での連続KG適応を容易にする新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-13T22:55:45Z)
• Self-Organizing Recurrent Stochastic Configuration Networks for Nonstationary Data Modelling [3.8719670789415925]
  リカレント・コンフィグレーション・ネットワーク(Recurrent configuration network、RSCN)は、非線形力学のモデリングにおいて有望であることを示すランダム化モデルのクラスである。 本稿では,非定常データモデリングのためのネットワークの連続学習能力を高めるために,SORSCNと呼ばれる自己組織型RCCNを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-10-14T01:28:25Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• Markovian RNN: An Adaptive Time Series Prediction Network with HMM-based Switching for Nonstationary Environments [11.716677452529114]
  本稿では、マルコフ的な方法で内部構造を適応的に切り替え、与えられたデータの非定常特性をモデル化する新しいリカレントニューラルネットワーク(RNN)アーキテクチャを提案する。 我々のモデルであるMarkovian RNNは、レギュレーション遷移に隠れマルコフモデル(HMM)を使用し、各レギュレーションはリカレントセルの隠れ状態遷移を独立に制御する。 我々は,バニラRNNやマルコフスイッチングARIMAのような従来の手法と比較して,大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2020-06-17T19:38:29Z)

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。