論文の概要: TokaMind for Power Grid: Cross-Domain Transfer from Fusion Plasma
- arxiv url: http://arxiv.org/abs/2605.11033v1
- Date: Sun, 10 May 2026 23:38:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:27.555484
- Title: TokaMind for Power Grid: Cross-Domain Transfer from Fusion Plasma
- Title（参考訳）: 電力グリッド用トカミンド:核融合プラズマからのクロスドメイン移動
- Authors: JC Wu, Norton Lee, Kai Siang Chen,
- Abstract要約: TokaMindは、MASTのトカマクプラズマ診断データに基づいて事前訓練された基礎モデルである。
学習された表現が物理的に異なるが構造的に類似した領域に一般化するかどうかを検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: TokaMind is a multi-modal transformer (MMT) foundation model pre-trained on tokamak plasma diagnostics data from MAST, where it was shown to outperform CNN-based approaches on fusion benchmarks. We investigate whether its learned representations generalize to physically distinct but structurally analogous domains. Through systematic experimentation across four domains-industrial bearing degradation, NASA CMAPSS turbofan degradation, and two independent power grid PMU datasets-we identify four transfer-favoring characteristics that help explain where TokaMind's pretrained representations are most effective. Power grid synchrophasor data matches this target-domain profile most directly, while industrial degradation datasets demonstrate that TokaMind can still yield useful performance under partial alignment, especially when task design and feature construction expose physically meaningful degradation structure. On the GESL/PNNL 500-event benchmark with provider-aware evaluation, TokaMind achieves test $\text{F1} = 0.837 \pm 0.040$ (3~seeds) for severe event classification. Our central finding, however, is not the aggregate score: classification difficulty is structurally determined by provider-level grid topology, not model capacity. In the single-window early-warning regime, TokaMind outperforms a CNN baseline (F1~0.889 vs.~0.878)--a reversal that disappears as more event windows are provided. Furthermore, Critical Slowing Down (CSD) indicators, used as a confidence gate rather than a classification label, improve F1 from 0.696 to 0.750 at 63% coverage-outperforming the CNN baseline (0.636) at any coverage level. These results establish the first cross-domain validation of TokaMind outside nuclear fusion and propose a transferability framework and revised evaluation protocol for multi-source PMU datasets.
- Abstract（参考訳）: TokaMindは、MASTのトカマクプラズマ診断データに基づいて事前訓練されたマルチモーダルトランスフォーマー(MMT)基盤モデルである。
学習された表現が物理的に異なるが構造的に類似した領域に一般化するかどうかを検討する。
4つのドメイン・インダストリアル軸受劣化、NASA CMAPSSターボファン劣化、および2つの独立したパワーグリッドPMUデータセットを体系的に実験することで、トカミンドの事前訓練された表現が最も有効である場所を説明するのに役立つ4つの転送特性を同定した。
電力グリッドシンクロファサーデータは、このターゲットドメインプロファイルと最も直接一致するが、産業劣化データセットは、特にタスク設計と機能構築が物理的に意味のある劣化構造を公開する場合、TokaMindが部分的なアライメントの下で有用なパフォーマンスを得られることを示した。
プロバイダを意識した評価を伴うGESL/PNNL 500-eventベンチマークでは、TokaMindは厳しいイベント分類のためのテスト $\text{F1} = 0.837 \pm 0.040$ (3~seeds) を達成する。
分類の難しさは、モデルキャパシティではなく、プロバイダレベルのグリッドトポロジーによって構造的に決定される。
シングルウィンドウの早期警戒体制では、TokaMindはCNNベースライン(F1~0.889 vs.~0.878)を上回り、より多くのイベントウィンドウが提供されると消滅する。
さらに、分類ラベルではなく信頼ゲートとして使用されるCritical Slowing Down (CSD)インジケータは、F1を0.696から0.750に改善し、63%のカバレッジでCNNベースライン(0.636)を上回った。
これらの結果は核融合以外でのTokaMindのクロスドメイン検証を初めて確立し、マルチソースPMUデータセットの転送可能性フレームワークと改訂された評価プロトコルを提案する。
関連論文リスト
- Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - BRIDGE and TCH-Net: Heterogeneous Benchmark and Multi-Branch Baseline for Cross-Domain IoT Botnet Detection [1.2019888796331233]
IoTボットネット検出は進歩しているが、ほとんどの公開システムは単一のデータセットで検証されており、環境全体にわたって一般化されることはめったにない。
BRIDGEは、IoT侵入検知のための、初めて公式に指定された異種マルチデータセットベンチマークである。
我々は,LODO F1 = 0.5577 において,単一ベンチマーク最適化からクロス環境一般化へとアジェンダをシフトさせる最初のコミュニティ一般化ベースラインを確立する。
論文 参考訳（メタデータ） (2026-04-13T11:25:39Z) - Benchmarking CNN-based Models against Transformer-based Models for Abdominal Multi-Organ Segmentation on the RATIC Dataset [3.428885759047836]
腹部CT検査における多臓器分画は, 診断・治療に不可欠である。
トランスフォーマーベースのアーキテクチャは、長距離依存関係をモデル化する能力により、最近注目を集めている。
本研究では,UNETR,SwinUNETR,UNETR++の3つのハイブリッドトランスフォーマーベースモデルと,強力なCNNベースラインであるSegResNetを比較検討した。
論文 参考訳（メタデータ） (2026-03-19T08:35:11Z) - When CNNs Outperform Transformers and Mambas: Revisiting Deep Architectures for Dental Caries Segmentation [9.108764893521526]
コンボリューションニューラルネットワーク,ビジョントランスフォーマー,および状態空間のマンバアーキテクチャを,DC1000データセットによるパノラマX線写真による自動歯列セグメンテーションのために,初めて包括的なベンチマークを行った。
その結果、CNNベースのDoubleU-Netは、複雑な注意に基づくアーキテクチャの傾向とは対照的に、最も高いダイス係数は0.7345、mIoUは0.5978、精度は0.8145となり、全ての変圧器やマンバの変圧器よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-11-18T19:16:21Z) - Benchmarking Federated Learning for Throughput Prediction in 5G Live Streaming Applications [5.026196568145574]
本稿では,現実的な5Gエッジシナリオにおけるスループット予測のためのフェデレーション学習戦略の総合的なベンチマークを行う。
FedBNは、非IID条件下で一貫してロバストな性能を提供する。
LSTMとTransformerモデルは、CNNベースのベースラインを最大80%のR2スコアで上回る。
論文 参考訳（メタデータ） (2025-08-11T21:27:40Z) - Graph-Structured Data Analysis of Component Failure in Autonomous Cargo Ships Based on Feature Fusion [20.287188044863925]
本稿では,障害モードのグラフ構造化データセットを構築するためのハイブリッド機能融合フレームワークを提案する。
サブシステム/コンポーネント機能のエンコードにWord2Vecエンコーディング、障害モード/領域の処理にBERT-KPCA、障害影響と緊急意思決定のセマンティックな関連を定量化するSentence-BERTを用いて階層的特徴融合フレームワークを構築する。
論文 参考訳（メタデータ） (2025-07-18T08:02:49Z) - Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。
FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。
ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2023-12-19T18:00:15Z) - DFedADMM: Dual Constraints Controlled Model Inconsistency for
Decentralized Federated Learning [52.83811558753284]
分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。
既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
論文 参考訳（メタデータ） (2023-08-16T11:22:36Z) - Magic ELF: Image Deraining Meets Association Learning and Transformer [63.761812092934576]
本稿では,CNN と Transformer を統合化して,画像デライニングにおける学習のメリットを活用することを目的とする。
降雨除去と背景復旧を関連づける新しいマルチインプット・アテンション・モジュール (MAM) を提案する。
提案手法(ELF)は,最先端手法(MPRNet)を平均0.25dB向上させる。
論文 参考訳（メタデータ） (2022-07-21T12:50:54Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z) - Searching Central Difference Convolutional Networks for Face
Anti-Spoofing [68.77468465774267]
顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。
最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。
ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
論文 参考訳（メタデータ） (2020-03-09T12:48:37Z)
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。