論文の概要: ProDER: A Continual Learning Approach for Fault Prediction in Evolving Smart Grids

• arxiv url: http://arxiv.org/abs/2511.05420v1
• Date: Fri, 07 Nov 2025 16:51:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.843231
• Title: ProDER: A Continual Learning Approach for Fault Prediction in Evolving Smart Grids
• Title（参考訳）: ProDER: 進化するスマートグリッドにおける障害予測のための継続的学習手法
• Authors: Emad Efatinasab, Nahal Azadi, Davide Dalle Pezze, Gian Antonio Susto, Chuadhry Mujeeb Ahmed, Mirco Rampazzo,
• Abstract要約: 本稿では,環境とともにモデルを進化させるために,スマートグリッドコンテキストにおける連続学習(CL)フレームワークを提案する。 ProDER は試験された CL 技術の中で最高の性能を達成し, 故障型予測では 0.045 の精度低下, 故障ゾーン予測では 0.015 の精度低下しか達成できなかった。
• 参考スコア（独自算出の注目度）: 10.727138235729173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As smart grids evolve to meet growing energy demands and modern operational challenges, the ability to accurately predict faults becomes increasingly critical. However, existing AI-based fault prediction models struggle to ensure reliability in evolving environments where they are required to adapt to new fault types and operational zones. In this paper, we propose a continual learning (CL) framework in the smart grid context to evolve the model together with the environment. We design four realistic evaluation scenarios grounded in class-incremental and domain-incremental learning to emulate evolving grid conditions. We further introduce Prototype-based Dark Experience Replay (ProDER), a unified replay-based approach that integrates prototype-based feature regularization, logit distillation, and a prototype-guided replay memory. ProDER achieves the best performance among tested CL techniques, with only a 0.045 accuracy drop for fault type prediction and 0.015 for fault zone prediction. These results demonstrate the practicality of CL for scalable, real-world fault prediction in smart grids.
• Abstract（参考訳）: スマートグリッドがエネルギー需要の増加と現代的な運用上の課題に対応するように進化するにつれ、障害を正確に予測する能力はますます重要になる。 しかし、既存のAIベースの障害予測モデルは、新しい障害タイプや運用ゾーンに適応する必要がある環境の進化において、信頼性を確保するのに苦労している。 本稿では,環境とともにモデルを進化させるために,スマートグリッドコンテキストにおける連続学習(CL)フレームワークを提案する。 我々は、進化するグリッド条件をエミュレートするために、クラス増分学習とドメイン増分学習を基礎とした4つの現実的な評価シナリオを設計する。 さらに,プロトタイプベースの特徴正規化,ロジット蒸留,プロトタイプ誘導リプレイメモリを統合した,統一されたリプレイベースアプローチであるPrototypeベースのダークエクスペリエンス・リプレイ(ProDER)についても紹介する。 ProDER は試験された CL 技術の中で最高の性能を達成し, 故障型予測では 0.045 の精度低下, 故障ゾーン予測では 0.015 の精度低下しか達成できなかった。 これらの結果は、スマートグリッドにおけるスケーラブルで実世界の故障予測のためのCLの実用性を示している。

関連論文リスト

• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Consistency-based Abductive Reasoning over Perceptual Errors of Multiple Pre-trained Models in Novel Environments [5.5855749614100825]
  本稿では,複数の事前学習モデルを活用することで,このリコール低減を緩和できるという仮説を述べる。 我々は,一貫性に基づく推論問題として,様々なモデルからの矛盾する予測を特定し,管理することの課題を定式化する。 本研究は,複数の不完全なモデルから得られた知識を,難易度の高い新しいシナリオにおいて堅牢に統合するための効果的なメカニズムとして,一貫性に基づく誘拐の有効性を検証するものである。
  論文  参考訳（メタデータ） (2025-05-25T23:17:47Z)
• What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
  本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。 我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。 また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
  論文  参考訳（メタデータ） (2025-01-28T14:12:32Z)
• Predict Confidently, Predict Right: Abstention in Dynamic Graph Learning [6.0497759658090775]
  本稿では,時間的動的グラフに対する時間的グラフニューラルネットワーク(GNN)のフレームワーク内でのリジェクションオプション戦略を提案する。 これにより、モデルが不確実性が高く、信頼性が低い場合に、戦略的に予測を控えることができる。 動的グラフシナリオにおける予測のための曲線(AUC)/平均精度(AP)スコアの信頼性と面積を改善するためのアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2025-01-14T19:27:58Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Development of an offline and online hybrid model for the Integrated Forecasting System [0.2556723501703686]
  ニューラルネットワークを用いた中レージ気象予報センターのモデル誤差補正手法を開発した。 ネットワークは、運用分析と分析インクリメントの大規模なデータセットを使用して、オフラインで事前トレーニングされている。 その後、データ同化や予測実験に使用されるように、オブジェクト指向予測システム(OOPS)内のIFSに統合される。
  論文  参考訳（メタデータ） (2024-03-06T13:36:31Z)
• Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
  既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。 本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。 自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
  論文  参考訳（メタデータ） (2022-02-14T16:42:16Z)

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。