論文の概要: BOOST-RPF: Boosted Sequential Trees for Radial Power Flow

• arxiv url: http://arxiv.org/abs/2603.21977v1
• Date: Mon, 23 Mar 2026 13:41:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.691813
• Title: BOOST-RPF: Boosted Sequential Trees for Radial Power Flow
• Title（参考訳）: BOOST-RPF:ラジアルパワーフロー用昇華系列木
• Authors: Ehimare Okoyomon, Christoph Goebel,
• Abstract要約: 本稿では,グローバルグラフ回帰タスクからの電圧予測を逐次パスベース学習問題に変換する新しい手法であるBOOST-RPFを紹介する。 本研究では, 絶対電圧, 親残差, 物理インフォームド残差の3種類のアーキテクチャ特性を評価する。 Kerber DorfnetzグリッドとENGAGEスイートに対してベンチマークされ、BOOST-RPFは最先端の結果を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate power flow analysis is critical for modern distribution systems, yet classical solvers face scalability issues, and current machine learning models often struggle with generalization. We introduce BOOST-RPF, a novel method that reformulates voltage prediction from a global graph regression task into a sequential path-based learning problem. By decomposing radial networks into root-to-leaf paths, we leverage gradient-boosted decision trees (XGBoost) to model local voltage-drop regularities. We evaluate three architectural variants: Absolute Voltage, Parent Residual, and Physics-Informed Residual. This approach aligns the model architecture with the recursive physics of power flow, ensuring size-agnostic application and superior out-of-distribution robustness. Benchmarked against the Kerber Dorfnetz grid and the ENGAGE suite, BOOST-RPF achieves state-of-the-art results with its Parent Residual variant which consistently outperforms both analytical and neural baselines in standard accuracy and generalization tasks. While global Multi-Layer Perceptrons (MLPs) and Graph Neural Networks (GNNs) often suffer from performance degradation under topological shifts, BOOST-RPF maintains high precision across unseen feeders. Furthermore, the framework displays linear $O(N)$ computational scaling and significantly increased sample efficiency through per-edge supervision, offering a scalable and generalizable alternative for real-time distribution system operator (DSO) applications.
• Abstract（参考訳）: しかし、古典的な解法はスケーラビリティの問題に直面し、現在の機械学習モデルは一般化に苦慮することが多い。 本稿では,グローバルグラフ回帰タスクからの電圧予測を逐次パスベース学習問題に変換する新しい手法であるBOOST-RPFを紹介する。 ラジアル・ネットワークをルート・ツー・リーフ・パスに分解することで、局所電圧-ドロップ規則性をモデル化するために勾配型決定木(XGBoost)を利用する。 本研究では, 絶対電圧, 親残差, 物理インフォームド残差の3種類のアーキテクチャ特性を評価する。 このアプローチは、モデルアーキテクチャと電力フローの再帰的な物理を一致させ、サイズに依存しない適用と、配電性に優れたロバスト性を確保する。 Kerber DorfnetzグリッドとENGAGEスイートに対してベンチマークされたBOOST-RPFは、標準的な精度と一般化タスクにおいて解析的ベースラインと神経的ベースラインの両方を一貫して上回る、Parent Residual variantで最先端の結果を達成する。 グローバルマルチ層パーセプトロン(MLP)とグラフニューラルネットワーク(GNN)は、トポロジカルシフト下での性能低下に悩まされることが多いが、BOOST-RPFは、目に見えないフィードの精度を維持している。 さらに、このフレームワークは、線形$O(N)$計算スケーリングを表示し、エッジごとの監視を通じてサンプル効率を大幅に向上させ、リアルタイム分散システム演算子(DSO)アプリケーションに対するスケーラブルで一般化可能な代替手段を提供する。

関連論文リスト

• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Plain Transformers are Surprisingly Powerful Link Predictors [57.01966734467712]
  リンク予測はグラフ機械学習における中核的な課題であり、リッチで複雑なトポロジ的依存関係をキャプチャするモデルを必要とする。 グラフニューラルネットワーク(GNN)が標準的なソリューションであるのに対して、最先端のパイプラインは明示的な構造やメモリ集約的なノードの埋め込みに依存していることが多い。 本報告では,手作りのプリミティブに置き換えるエンコーダのみのプレーントランスであるPENCILについて,サンプリングしたローカルサブグラフに注目する。
  論文  参考訳（メタデータ） (2026-02-02T02:45:52Z)
• 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)
• Eigen Neural Network: Unlocking Generalizable Vision with Eigenbasis [5.486667906157719]
  固有ニューラルネットワーク(Eigen Neural Network, ENN)は、各層の重みを再パラメータ化する新しいアーキテクチャである。 標準BPと統合すると、ENNは大規模画像分類ベンチマークにおける最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-02T06:33:58Z)
• 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)
• Analysing the Behaviour of Tree-Based Neural Networks in Regression Tasks [3.912345988363511]
  本稿では、回帰課題の文脈において、木に基づくニューラルネットワークモデルの振る舞いを復号化するための取り組みを行う。 我々は,ツリーベースのCNN,Code2Vec,Transformerベースのメソッドといった確立されたモデルの応用を拡張し,ASTに解析することでソースコードの実行時間を予測する。 提案するデュアルトランスは,多様なデータセットにまたがる顕著な適応性とロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-06-17T11:47:14Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Graph-based Algorithm Unfolding for Energy-aware Power Allocation in Wireless Networks [27.600081147252155]
  我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。 無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。 結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
  論文  参考訳（メタデータ） (2022-01-27T20:23:24Z)
• Power Flow Balancing with Decentralized Graph Neural Networks [4.812718493682454]
  汎用グリッド内の電力フローのバランスをとるために,グラフニューラルネットワーク(GNN)に基づくエンドツーエンドフレームワークを提案する。 提案するフレームワークは,ディープラーニングに基づく他の解法と比較して効率的であり,グリッドコンポーネントの物理量だけでなくトポロジにも頑健である。
  論文  参考訳（メタデータ） (2021-11-03T12:14:56Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)

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。