論文の概要: Domain-Constrained Diffusion Models to Synthesize Tabular Data: A Case Study in Power Systems

• arxiv url: http://arxiv.org/abs/2506.11281v1
• Date: Thu, 12 Jun 2025 20:39:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.575851
• Title: Domain-Constrained Diffusion Models to Synthesize Tabular Data: A Case Study in Power Systems
• Title（参考訳）: 語彙データを合成する領域制約拡散モデル:電力系統を事例として
• Authors: Milad Hoseinpour, Vladimir Dvorkin,
• Abstract要約: プライバシーやセキュリティ、法的障壁に対する懸念が高まり、医療、金融、エネルギーといった分野にまたがる合成データの需要が高まっている。 本稿では,ドメイン制約を直接生成プロセスに統合する誘導拡散モデルを用いてデータを合成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Growing concerns over privacy, security, and legal barriers are driving the rising demand for synthetic data across domains such as healthcare, finance, and energy. While generative models offer a promising solution to overcome these barriers, their utility depends on the incorporation of domain-specific knowledge. We propose to synthesize data using a guided diffusion model that integrates domain constraints directly into the generative process. We develop the model in the context of power systems, with potential applicability to other domains that involve tabular data. Specifically, we synthesize statistically representative and high-fidelity power flow datasets. To satisfy domain constraints, e.g., Kirchhoff laws, we introduce a gradient-based guidance to steer the sampling trajectory in a feasible direction. Numerical results demonstrate the effectiveness of our approach.
• Abstract（参考訳）: プライバシー、セキュリティ、法的障壁に対する懸念が高まり、医療、金融、エネルギーといった分野にまたがる合成データの需要が高まっている。 生成モデルはこれらの障壁を克服するための有望なソリューションを提供するが、それらのユーティリティはドメイン固有の知識の取り込みに依存している。 本稿では,ドメイン制約を直接生成プロセスに統合する誘導拡散モデルを用いてデータを合成する。 我々は、表データを含む他の領域に適用可能なパワーシステムという文脈でモデルを開発する。 具体的には,統計的に代表的かつ高忠実な電力フローデータセットを合成する。 領域制約を満たすため、例えばKirchhoff法則では、サンプリング軌道を実行可能な方向に操る勾配に基づくガイダンスを導入する。 数値計算により,本手法の有効性が示された。

関連論文リスト

• Generative Modeling of Random Fields from Limited Data via Constrained Latent Flow Matching [0.0]
  深層生成モデルは、科学と工学のための有望なツールであるが、その豊富な高品質のデータへの依存は適用性を制限する。 本稿では,限定的,スパース的,間接的データを補うために,ドメイン知識を取り入れたランダムフィールドの生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-05-19T11:47:44Z)
• Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
  本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。 本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
  論文  参考訳（メタデータ） (2025-05-11T05:56:07Z)
• Synthetic Power Flow Data Generation Using Physics-Informed Denoising Diffusion Probabilistic Models [0.0]
  本稿では、実現可能な電力フローデータを合成するための物理インフォームド・ジェネレーション・フレームワークを提案する。 IEEE 14-busと30-busベンチマークシステムに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-04-24T02:53:22Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• Training-Free Constrained Generation With Stable Diffusion Models [45.138721047543214]
  安定拡散モデルは、様々な領域にまたがるデータ合成における最先端のモデルである。 本稿では,安定拡散モデルと制約付き最適化フレームワークの新たな統合を提案する。 このアプローチの有効性は、精密な形態計測特性の付着を必要とする材料設計実験によって実証される。
  論文  参考訳（メタデータ） (2025-02-08T16:11:17Z)
• xTED: Cross-Domain Adaptation via Diffusion-Based Trajectory Editing [21.37585797507323]
  ドメイン間政策伝達手法は主に、ポリシー学習を容易にするために、ドメインの対応や修正を学習することを目的としている。 本稿では,クロスドメイントラジェクトリ適応のために特別に設計された拡散モデルを用いたクロスドメイントラジェクトリ・EDitingフレームワークを提案する。 提案するモデルアーキテクチャは,対象データ内の動的パターンだけでなく,状態,行動,報酬間の複雑な依存関係を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2024-09-13T10:07:28Z)
• SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control [59.20038082523832]
  我々は、自動走行アプリケーションの改善を継続的に行う方法で、生成データ生産を拡大することが証明された最初のモデルであるSubjectDriveを提案する。 本研究では, 多様なデータを生成するために, 多様な外部データソースを活用可能な, 主観制御機構を備えた新しいモデルを開発する。
  論文  参考訳（メタデータ） (2024-03-28T14:07:13Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)
• Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
  本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。 本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
  論文  参考訳（メタデータ） (2020-04-09T07:16:30Z)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)

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。