論文の概要: A Graph Neural Network with Auxiliary Task Learning for Missing PMU Data Reconstruction

• arxiv url: http://arxiv.org/abs/2512.24542v1
• Date: Wed, 31 Dec 2025 01:00:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.522418
• Title: A Graph Neural Network with Auxiliary Task Learning for Missing PMU Data Reconstruction
• Title（参考訳）: PMUデータ再構成の欠如に対する補助的タスク学習を用いたグラフニューラルネットワーク
• Authors: Bo Li, Zijun Chen, Haiwang Zhong, Di Cao, Guangchun Ruan,
• Abstract要約: 広域計測システム(WAMS)では、ファーザー計測ユニット(PMU)の測定は、ハードウェアの故障、通信遅延、サイバー攻撃によるデータの欠落を招きやすい。 本稿では、欠落したPMUデータを再構成するための補助タスク学習(ATL)手法を提案する。
• 参考スコア（独自算出の注目度）: 6.3004014380285644
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In wide-area measurement systems (WAMS), phasor measurement unit (PMU) measurement is prone to data missingness due to hardware failures, communication delays, and cyber-attacks. Existing data-driven methods are limited by inadaptability to concept drift in power systems, poor robustness under high missing rates, and reliance on the unrealistic assumption of full system observability. Thus, this paper proposes an auxiliary task learning (ATL) method for reconstructing missing PMU data. First, a K-hop graph neural network (GNN) is proposed to enable direct learning on the subgraph consisting of PMU nodes, overcoming the limitation of the incompletely observable system. Then, an auxiliary learning framework consisting of two complementary graph networks is designed for accurate reconstruction: a spatial-temporal GNN extracts spatial-temporal dependencies from PMU data to reconstruct missing values, and another auxiliary GNN utilizes the low-rank property of PMU data to achieve unsupervised online learning. In this way, the low-rank properties of the PMU data are dynamically leveraged across the architecture to ensure robustness and self-adaptation. Numerical results demonstrate the superior offline and online performance of the proposed method under high missing rates and incomplete observability.
• Abstract（参考訳）: 広域計測システム(WAMS)では、ファーザー計測ユニット(PMU)の測定は、ハードウェアの故障、通信遅延、サイバー攻撃によるデータの欠落を招きやすい。 既存のデータ駆動方式は、電力系統におけるドリフトの概念への不適応性、高い損失率下でのロバスト性、フルシステムの観測可能性という非現実的な仮定への依存によって制限される。 そこで本研究では,欠落したPMUデータを再構成する補助タスク学習手法を提案する。 まず、PMUノードからなるサブグラフの直接学習を可能にするために、Kホップグラフニューラルネットワーク(GNN)を提案する。 次に、空間時空間GNNは、PMUデータから空間時空間依存を抽出し、欠落した値を再構成し、別の補助GNNは、PMUデータの低ランク特性を利用して教師なしオンライン学習を実現する。 このように、PMUデータの低ランク特性はアーキテクチャ全体で動的に活用され、堅牢性と自己適応性を保証する。 数値計算により, 提案手法のオフライン・オンライン性能は, 欠落率と不完全観測性に優れていた。

関連論文リスト

• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Unsupervised Spatial-Temporal Feature Enrichment and Fidelity Preservation Network for Skeleton based Action Recognition [20.07820929037547]
  非教師なし骨格に基づく行動認識は近年顕著な進歩を遂げている。 既存の教師なし学習手法は、過度なオーバーフィッティング問題に悩まされる。 本稿では,高機能化を実現するために,非教師付き時空間特徴強調・忠実度保存フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-25T09:24:07Z)
• A Generative Self-Supervised Framework using Functional Connectivity in fMRI Data [15.211387244155725]
  機能的磁気共鳴イメージング(fMRI)データから抽出した機能的接続性(FC)ネットワークを訓練したディープニューラルネットワークが人気を博している。 グラフニューラルネットワーク(GNN)のFCへの適用に関する最近の研究は、FCの時間変化特性を活用することにより、モデル予測の精度と解釈可能性を大幅に向上させることができることを示唆している。 高品質なfMRIデータとそれに対応するラベルを取得するための高コストは、実環境において彼らのアプリケーションにハードルをもたらす。 本研究では,動的FC内の時間情報を効果的に活用するためのSSL生成手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T16:14:43Z)
• A Heterogeneous Graph-Based Multi-Task Learning for Fault Event Diagnosis in Smart Grid [1.6385815610837167]
  断層の検出,位置決定,分類が可能な異種多タスク学習グラフニューラルネットワーク(MTL-GNN)を提案する。 グラフニューラルネットワーク(GNN)を使用することで、分布システムのトポロジ的表現を学習することができる。 本研究は,分散システムにおけるキーノードを識別する新しいGNNに基づく説明可能性手法を提案する。
  論文  参考訳（メタデータ） (2023-09-18T16:35:30Z)
• Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification in the Presence of Data Heterogeneity [60.791736094073]
  通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。 本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。 提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
  論文  参考訳（メタデータ） (2023-02-19T17:42:35Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Graph Neural Networks for Leveraging Industrial Equipment Structure: An application to Remaining Useful Life Estimation [21.297461316329453]
  本稿では,複雑な機器の構造をグラフ形式で把握し,マルチセンサ時系列データをモデル化するためにグラフニューラルネットワーク(GNN)を用いる。 我々は,提案したGNNに基づくRUL推定モデルが,RNNやCNNをベースとした文学からの強いベースラインと好意的に比較した。
  論文  参考訳（メタデータ） (2020-06-30T06:38:08Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。