Fugu-MT 論文翻訳(概要): FreeGNN: Continual Source-Free Graph Neural Network Adaptation for Renewable Energy Forecasting

論文の概要: FreeGNN: Continual Source-Free Graph Neural Network Adaptation for Renewable Energy Forecasting

arxiv url: http://arxiv.org/abs/2603.01657v1
Date: Mon, 02 Mar 2026 09:43:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.796771
Title: FreeGNN: Continual Source-Free Graph Neural Network Adaptation for Renewable Energy Forecasting
Title（参考訳）: FreeGNN: 再生可能エネルギー予測のための連続的なソースフリーグラフニューラルネットワーク適応
Authors: Abderaouf Bahi, Amel Ourici, Ibtissem Gasmi, Aida Derrablia, Warda Deghmane, Mohamed Amine Ferrag,
Abstract要約: FreeGNNは連続的なソースフリーグラフドメイン適応フレームワークである。ソースデータやターゲットラベルを必要とせずに、目に見えない再生可能エネルギーサイトの適応予測を可能にする。 GEFComデータセットでは5.237のMAEと7.123のRMSE、Solar PVデータセットでは1.107のMAEと1.512のRMSE、Windデータセットでは0.382のMAEと0.523のRMSEを達成している。
参考スコア（独自算出の注目度）: 0.5233775397457061
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate forecasting of renewable energy generation is essential for efficient grid management and sustainable power planning. However, traditional supervised models often require access to labeled data from the target site, which may be unavailable due to privacy, cost, or logistical constraints. In this work, we propose FreeGNN, a Continual Source-Free Graph Domain Adaptation framework that enables adaptive forecasting on unseen renewable energy sites without requiring source data or target labels. Our approach integrates a spatio-temporal Graph Neural Network (GNN) backbone with a teacher--student strategy, a memory replay mechanism to mitigate catastrophic forgetting, graph-based regularization to preserve spatial correlations, and a drift-aware weighting scheme to dynamically adjust adaptation strength during streaming updates. This combination allows the model to continuously adapt to non-stationary environmental conditions while maintaining robustness and stability. We conduct extensive experiments on three real-world datasets: GEFCom2012, Solar PV, and Wind SCADA, encompassing multiple sites, temporal resolutions, and meteorological features. The ablation study confirms that each component memory, graph regularization, drift-aware adaptation, and teacher--student strategy contributes significantly to overall performance. The experiments show that FreeGNN achieves an MAE of 5.237 and an RMSE of 7.123 on the GEFCom dataset, an MAE of 1.107 and an RMSE of 1.512 on the Solar PV dataset, and an MAE of 0.382 and an RMSE of 0.523 on the Wind SCADA dataset. These results demonstrate its ability to achieve accurate and robust forecasts in a source-free, continual learning setting, highlighting its potential for real-world deployment in adaptive renewable energy systems. For reproducibility, implementation details are available at: https://github.com/AraoufBh/FreeGNN.
Abstract（参考訳）: 再生可能エネルギーの正確な予測は、効率的なグリッド管理と持続可能な電力計画に不可欠である。しかし、従来の教師付きモデルは、しばしばターゲットサイトからラベル付きデータにアクセスする必要があるが、プライバシー、コスト、論理的制約のために利用できない場合がある。本研究では,未確認再生エネルギーサイトの適応予測を,ソースデータやターゲットラベルを必要とせずに実現する,連続的ソースフリーグラフドメイン適応フレームワークFreeGNNを提案する。提案手法では,時空間グラフニューラルネットワーク(GNN)のバックボーンと教師-学生戦略,破滅的忘れを緩和するためのメモリ再生機構,空間相関を維持するためのグラフベース正規化,ストリーミング更新時の適応強度を動的に調整するドリフト対応重み付け方式を併用する。この組み合わせにより、モデルは頑丈さと安定性を維持しつつ、定常的でない環境条件に継続的に適応することができる。 GEFCom2012、Solar PV、Wind SCADAの3つの実世界のデータセットに対して、複数のサイト、時間分解能、気象特性を含む広範な実験を行った。アブレーション研究では,各コンポーネントのメモリ,グラフの正規化,ドリフト・アウェア適応,教師の戦略が全体のパフォーマンスに大きく貢献することを確認した。実験の結果、FreeGNNはGEFComデータセット上で5.237のMAEと7.123のRMSE、Solar PVデータセット上で1.107のMAEと1.512のRMSE、Wind SCADAデータセット上で0.382のMAEと0.523のRMSEを達成した。これらの結果は、適応型再生可能エネルギーシステムにおける実世界の展開の可能性を強調し、ソースフリーで継続的な学習環境で正確で堅牢な予測を達成する能力を示している。再現性に関しては、https://github.com/AraoufBh/FreeGNNで実装の詳細を確認できる。

関連論文リスト

Digital Twin-Driven Pavement Health Monitoring and Maintenance Optimization Using Graph Neural Networks [5.876489372173655]
我々は、スケーラブルでデータ駆動型舗装の健康モニタリングと予測保守のための統合されたDigital Twin(DT)とGraph Neural Network(GNN)フレームワークを提案する。モデルでは0.3798のR2を達成し,ベースライン回帰器を上回り,非線形劣化を効果的に捉えた。このDT-GNN統合は予測精度を高め、継続的な改善のためのクローズドフィードバックループを確立する。
論文参考訳（メタデータ） (2025-11-04T19:59:17Z)
Spatio-Temporal Graph Convolutional Networks for EV Charging Demand Forecasting Using Real-World Multi-Modal Data Integration [1.83159883923531]
輸送は温室効果ガスの排出に大きく貢献している。本研究では,グラフ・コナール・ネットワークと時間的アーキテクチャを組み合わせた時間的予測フレームワークであるTW-GCNを紹介する。我々は、実世界の交通の流れ、気象条件、および独自のデータを利用して、空間的依存と時間的ダイナミクスの両方を捉える。
論文参考訳（メタデータ） (2025-10-10T06:31:17Z)
Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
論文参考訳（メタデータ） (2025-09-02T22:17:25Z)
PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文参考訳（メタデータ） (2025-08-29T01:47:27Z)
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)
Sustainable Greenhouse Microclimate Modeling: A Comparative Analysis of Recurrent and Graph Neural Networks [0.0]
本研究では,時空間グラフニューラルネットワーク(STGNN)の温室マイクロ気候モデリングへの応用について紹介する。従来のリカレントニューラルネットワーク(RNN)と比較する。我々のSTGNNアプローチは、これらの関係を有向グラフとして表現することで、この制限に対処し、モデルが環境依存性と方向性の両方をキャプチャすることを可能にする。
論文参考訳（メタデータ） (2025-02-24T17:52:01Z)
Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文参考訳（メタデータ） (2024-12-30T13:55:59Z)
Climate Aware Deep Neural Networks (CADNN) for Wind Power Simulation [0.7783262415147654]
風力発電予測は現代のエネルギーシステムにおいて重要な役割を担い、再生可能エネルギー源の電力網への統合を促進する。本稿では,風力シミュレーションの精度を向上させるために,気候変数を利用したディープニューラルネットワーク(DNN)に基づく予測モデルを提案する。
論文参考訳（メタデータ） (2024-12-11T14:22:52Z)
SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文参考訳（メタデータ） (2024-07-17T09:01:38Z)
Predicting Dynamic Stability of Power Grids using Graph Neural Networks [0.1539132101969243]
複雑な電力網における同期の動的安定性を予測するためのグラフニューラルネットワーク(GNN)の適用可能性について検討する。我々はそれぞれ20ノードと100ノードのグリッド用の2つの合成データセットを生成し、モンテカルロサンプリングを用いて単一ノード盆地安定性(SNBS)を推定する。 SNBSは一般に予測でき、異なるGNNモデルを用いて性能が大きく変化することを示す。
論文参考訳（メタデータ） (2021-08-18T16:43:06Z)
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)
Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。