論文の概要: Inductive Power Grid Cascading Failure Analysis with GRU-Gated Graph Attention

• arxiv url: http://arxiv.org/abs/2605.07010v1
• Date: Thu, 07 May 2026 22:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.658916
• Title: Inductive Power Grid Cascading Failure Analysis with GRU-Gated Graph Attention
• Title（参考訳）: GRUグラフアテンションを用いた誘導電力グリッドカスケード故障解析
• Abstract要約: 既存の手法では、カスケードデータからライン間の障害相関を学習できるが、それらは訓練され、単一のグリッドで評価される。 我々は、単一GRU(Gated Recurrent Unit)付きグラフ注意ネットワークを複合カスケード障害データに基づいてトレーニングすることで、この問題に対処する。 我々は、確立された構造的および電気的基盤線よりも、より脆弱な線を一貫して識別する。
• 参考スコア（独自算出の注目度）: 5.31226937769343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying vulnerable transmission lines in power grids before a cascading failure occurs is challenging: existing methods can learn inter-line failure correlations from cascade data, but they are trained and evaluated on a single grid, and transferring the learned knowledge to an unseen grid remains an open problem. We address this by training a single Gated Recurrent Unit (GRU)-gated Graph Attention Network on combined cascading failure data from limited training grids and applying it directly to any unseen grid without retraining. A GRU gate controls what information each node retains or discards at each cascade iteration. Empirical evaluation shows that the model transfers zero-shot to multiple new grids spanning inter-time and inter-domain settings. Using information extracted from the trained model, we consistently identify more vulnerable lines than established structural and electrical baselines.
• Abstract（参考訳）: 既存の方法は、カスケードデータからライン間の障害相関を学習できるが、それらは単一のグリッドで訓練され、評価され、学習した知識を未知のグリッドに転送することは、未解決の問題のままである。 我々は、限られたトレーニンググリッドからのカスケード障害データを組み合わせて1つのGRU(Gated Recurrent Unit)付きグラフアテンションネットワークをトレーニングし、それを再トレーニングせずに任意の目に見えないグリッドに直接適用することで、この問題に対処する。 GRUゲートは、各ノードがカスケードイテレーションで保持または破棄する情報を制御する。 実験的な評価は、ゼロショットが時間間およびドメイン間設定にまたがる複数の新しいグリッドに転送されることを示している。 トレーニングされたモデルから抽出した情報を用いて、確立された構造的および電気的ベースラインよりも、より脆弱な線を一貫して識別する。

関連論文リスト

• Urban Power Grid Topology and Hierarchy Identification from Open Data [53.468443050795344]
  本稿では,都市電力グリッドトポロジの同定のためのオープンデータ駆動型フレームワークを開発する。 公共インフラのデータ(電力線、サブステーション、トランスフォーマー、ポール)を融合して、高電圧と中電圧のスケルトンをマッピングします。 次に、OpenStreetMap上の地理空間機械学習を活用して、電力需要クラスタをグループ化する。 我々は、7,330の建物と主要な電力インフラ資産をつなぐ完全なグリッドトポロジを再構築する。
  論文  参考訳（メタデータ） (2026-06-19T11:51:38Z)
• GDGU: A Gradient Difference-based Graph Unlearning Method for Cyberattack Localization in Electric Vehicle Charging Networks [3.9286216777643737]
  電気自動車充電ステーション(EVCS)は、配電体をサイバー攻撃に晒すことができる。 EVCSサイバーアタックローカライゼーションのための勾配差分グラフアンラーニング(GDGU)を提案する。 我々は,IEEE 34-bus,123-bus,8500ノードの2次GUベースラインに対してGDGUをベンチマークした。
  論文  参考訳（メタデータ） (2026-06-17T20:09:16Z)
• Limit Analysis of Graph Neural Networks with Wireless Conflict Graphs [81.39865232674413]
  グラフニューラルネットワーク(GNN)は、無線リソース割り当てのための強力なツールとして登場した。 この研究は、スパースランダム幾何グラフ(RGGs)から得られるグラフ上のGNNの転送可能性に関する理論的結果を確立する。
  論文  参考訳（メタデータ） (2026-06-02T15:42:14Z)
• Graph Computation Meets Circuit Algebra: A Task-Aligned Analysis of Graph Neural Networks for Electronic Design Automation [0.0]
  EDA問題はグラフ構造化されているが、グラフ構造化された全ての問題は、同じGNN計算を必要とするわけではない。 我々は、GNN-for-EDA手法が目的タスクのネイティブ代数と伝播、集約、および監督を協調する手法であると主張している。
  論文  参考訳（メタデータ） (2026-05-08T08:24:33Z)
• Cross-Paradigm Graph Backdoor Attacks with Promptable Subgraph Triggers [49.77729302007601]
  グラフニューラルネットワーク(GNN)は、モデル予測を操作するために悪意のあるトリガーを敵に埋め込むバックドア攻撃に対して脆弱である。 既存のトリガジェネレータは構造が単純で、特定の特徴に過度に依存し、単一のグラフ学習パラダイムに集約されることが多い。 本稿では,新たな転送可能なグラフバックドアアタックであるPromptable Subgraph Triggers (CP-GBA) を用いたクロスパラダイムグラフバックドアアタックを提案する。
  論文  参考訳（メタデータ） (2025-10-26T07:10:07Z)
• Self-Supervised Learning of Graph Representations for Network Intrusion Detection [6.453778601809096]
  GraphIDSは、表現学習と異常検出を統一する自己教師型侵入検出モデルである。 帰納的グラフニューラルネットワークは、各フローを局所的なトポロジカルコンテキストに埋め込んで、典型的なネットワークの振る舞いをキャプチャする。 Transformerベースのエンコーダデコーダは、これらの埋め込みを再構築し、自己注意を通じてグローバルな共起パターンを暗黙的に学習する。 推論中は、異常に高い復元誤差のフローが潜在的侵入としてフラグ付けされる。
  論文  参考訳（メタデータ） (2025-09-20T11:02:50Z)
• GraphBridge: Towards Arbitrary Transfer Learning in GNNs [65.01790632978962]
  GraphBridgeは、GNNの異なるタスクやドメイン間での知識伝達を可能にする新しいフレームワークである。 予測ヘッドと入力を出力層に接続するブリッジングネットワークを備えた、事前訓練されたGNNの拡張を可能にする。 これらのシナリオを代表する16以上のデータセットで実施された実証検証では、タスクとドメインに依存しないトランスファー学習のためのフレームワークの能力が確認されている。
  論文  参考訳（メタデータ） (2025-02-26T15:57:51Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Graph Reinforcement Learning for Power Grids: A Comprehensive Survey [1.3124421498970822]
  再生可能エネルギーと分散型発電の台頭は、従来の方法の限界を克服するための新しいアプローチを必要とする。 グラフニューラルネットワークは、グラフ構造化データから学ぶことができるため、有望である。 本稿では,グラフ強化学習が電力グリッドのユースケースにおける表現学習と意思決定をどのように改善するかを概説する。
  論文  参考訳（メタデータ） (2024-07-05T14:07:15Z)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• PowerGraph: A power grid benchmark dataset for graph neural networks [7.504044714471332]
  本稿では、電力フロー、最適電力フロー、カスケード故障解析のためのGNN調整データセットを含むPowerGraphを提案する。 PowerGraphは、さまざまなタスクのための多面的なGNNデータセットで、実世界の説明を含む電力フローと障害シナリオを含んでいる。
  論文  参考訳（メタデータ） (2024-02-05T09:24:52Z)
• Graph Isomorphic Networks for Assessing Reliability of the Medium-Voltage Grid [0.5242869847419834]
  本稿では、中電圧グリッドにおけるn-1評価にグラフ等化ネットワーク(GIN)を用いることを提案する。 GINフレームワークは、目に見えないグリッドに一般化し、グラフ構造とステーション/ケーブルに関するデータを利用するように設計されている。 提案したGINアプローチは、従来の数学的最適化アプローチよりも高速で信頼性の高いグリッドアセスメントを示す。
  論文  参考訳（メタデータ） (2023-10-02T13:19:35Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
  本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。 従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
  論文  参考訳（メタデータ） (2021-03-27T04:47:59Z)

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。