論文の概要: From Imperfect Signals to Trustworthy Structure: Confidence-Aware Inference from Heterogeneous and Reliability-Varying Utility Data
- arxiv url: http://arxiv.org/abs/2508.05791v1
- Date: Thu, 07 Aug 2025 19:05:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-11 20:39:05.98903
- Title: From Imperfect Signals to Trustworthy Structure: Confidence-Aware Inference from Heterogeneous and Reliability-Varying Utility Data
- Title（参考訳）: 不完全信号から信頼できる構造へ:不均一で信頼性の高いユーティリティデータからの信頼度を考慮した推論
- Authors: Haoran Li, Lihao Mai, Muhao Guo, Jiaqi Wu, Yang Weng, Yannan Sun, Ce Jimmy Liu,
- Abstract要約: 我々は,不均一なデータを体系的に統合することで,信頼に値するグリッドトポロジを再構築するスケーラブルなフレームワークを提案する。
提案するフレームワークは,Oncorのサービス領域内の3つのフィーダーにわたる8000m以上のデータを用いて検証されている。
- 参考スコア（独自算出の注目度）: 8.390328146420211
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate distribution grid topology is essential for reliable modern grid operations. However, real-world utility data originates from multiple sources with varying characteristics and levels of quality. In this work, developed in collaboration with Oncor Electric Delivery, we propose a scalable framework that reconstructs a trustworthy grid topology by systematically integrating heterogeneous data. We observe that distribution topology is fundamentally governed by two complementary dimensions: the spatial layout of physical infrastructure (e.g., GIS and asset metadata) and the dynamic behavior of the system in the signal domain (e.g., voltage time series). When jointly leveraged, these dimensions support a complete and physically coherent reconstruction of network connectivity. To address the challenge of uneven data quality without compromising observability, we introduce a confidence-aware inference mechanism that preserves structurally informative yet imperfect inputs, while quantifying the reliability of each inferred connection for operator interpretation. This soft handling of uncertainty is tightly coupled with hard enforcement of physical feasibility: we embed operational constraints, such as transformer capacity limits and radial topology requirements, directly into the learning process. Together, these components ensure that inference is both uncertainty-aware and structurally valid, enabling rapid convergence to actionable, trustworthy topologies under real-world deployment conditions. The proposed framework is validated using data from over 8000 meters across 3 feeders in Oncor's service territory, demonstrating over 95% accuracy in topology reconstruction and substantial improvements in confidence calibration and computational efficiency relative to baseline methods.
- Abstract（参考訳）: 正確な分散グリッドトポロジは、信頼性の高い現代のグリッド操作に不可欠である。
しかし、実世界のユーティリティデータは、様々な特性と品質のレベルを持つ複数のソースに由来する。
本研究はOncor Electric Deliveryと共同で開発され,不均一なデータを体系的に統合して信頼性の高いグリッドトポロジを再構築するスケーラブルなフレームワークを提案する。
分布トポロジは、物理的インフラストラクチャ(例えば、GIS、資産メタデータ)の空間的レイアウトと、信号領域(例えば、電圧時系列)におけるシステムの動的挙動の2つの相補的な次元によって、基本的に支配されていることを観察する。
共同で活用する場合、これらの次元はネットワーク接続の完全かつ物理的に整合的な再構築をサポートする。
可観測性を損なうことなく、不均一なデータ品質の課題に対処するため、演算子解釈のための各推定接続の信頼性を定量化しつつ、構造的に有意で不完全な入力を保存する信頼度対応推論機構を導入する。
この不確実性のソフトハンドリングは、物理的実現可能性の厳格な強制と密接に結びついている: トランスフォーマー容量制限や放射位相要求といった運用上の制約を直接学習プロセスに組み込む。
これらのコンポーネントは、推論が不確実性を認識し、構造的に有効であることを保証する。
提案手法は,Oncorのサービス領域における3つのフィードアから8000mを超えるデータを用いて検証し,トポロジ復元における95%以上の精度と,ベースライン法に対する信頼性校正と計算効率の大幅な向上を実証した。
関連論文リスト
- Learning Unified System Representations for Microservice Tail Latency Prediction [8.532290784939967]
マイクロサービスアーキテクチャは、スケーラブルなクラウドネイティブアプリケーションを構築するためのデファクトスタンダードになっています。
従来のアプローチでは、要求毎のレイテンシメトリクスに依存しており、過渡的なノイズに非常に敏感です。
我々は,トラフィック側とリソース側の機能を明確に分離し,モデル化するディープラーニングネットワークであるUSRFNetを提案する。
論文 参考訳（メタデータ） (2025-08-03T07:46:23Z) - Overlapping Error Correction Codes on Two-Dimensional Structures [0.0]
本研究では、重なり合うデータ領域によって誤り訂正符号(ECC)を強化する手法を提案する。
このアプローチは、2次元構造で構成された複数のECCで同じデータ領域を保護することで構成される。
重なり合うECCの異なる構成を解析し、エラー検出と修正能力、スケーラビリティ、信頼性に関する提案を評価した。
論文 参考訳（メタデータ） (2025-04-16T14:53:12Z) - Data-Driven Approximation of Binary-State Network Reliability Function: Algorithm Selection and Reliability Thresholds for Large-Scale Systems [0.08158530638728499]
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。
論文 参考訳（メタデータ） (2025-03-16T13:51:59Z) - Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。
この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-03-06T21:21:15Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Enhancing Reliability of Neural Networks at the Edge: Inverted
Normalization with Stochastic Affine Transformations [0.22499166814992438]
インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。
実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
論文 参考訳（メタデータ） (2024-01-23T00:27:31Z) - Federated Learning Framework Coping with Hierarchical Heterogeneity in
Cooperative ITS [10.087704332539161]
階層的不均一性(H2-Fed)に対処する連合学習フレームワークを提案する。
このフレームワークは、ユーザーデータのプライバシに影響を与えることなく、車両ネットワーク内の接続された公共交通機関のデータを利用する。
論文 参考訳（メタデータ） (2022-04-01T05:33:54Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳（メタデータ） (2022-02-27T12:52:27Z) - Privacy-preserving machine learning with tensor networks [37.01494003138908]
テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。
まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。
このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
論文 参考訳（メタデータ） (2022-02-24T19:04:35Z) - CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。
提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。
実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
論文 参考訳（メタデータ） (2021-12-31T04:37:11Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-01T19:24:27Z)
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。