論文の概要: Decision-calibrated prediction sets for robust power system operations

• arxiv url: http://arxiv.org/abs/2606.02081v1
• Date: Mon, 01 Jun 2026 11:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.881992
• Title: Decision-calibrated prediction sets for robust power system operations
• Title（参考訳）: 頑健な電力系統運用のための決定校正予測セット
• Authors: Akylas Stratigakos, Honglin Wen, Elina Spyrou, Pierre Pinson,
• Abstract要約: 気象に依存した不確実性に支配される電力系統の運用コストと信頼性のバランスをとるために、決定校正された不確実性セットを導入する。 これらは条件付きカバレッジではなく、下流の意思決定の信頼性の観点から定義される。 決定校正された集合が所定の制約満足度目標を約3ポイントの範囲で達成できることを示し、一方、標準カバレッジに基づく校正は、これらの目標を11ポイント以上体系的に超えることを示した。
• 参考スコア（独自算出の注目度）: 2.234083934481286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust optimization offers a tractable approach to balance operating costs and reliability in power systems dominated by weather-dependent renewable uncertainty, but its performance depends critically on the uncertainty set. Standard data-driven approaches often calibrate uncertainty sets to attain predictive coverage, which can produce unnecessarily large sets and costly operating decisions. In contrast, we introduce decision-calibrated prediction sets and embed them as uncertainty sets in robust optimization problems; these are conditional multivariate prediction sets where calibration is defined in terms of the reliability of downstream decisions, rather than in terms of the coverage. First, we learn these conditional prediction sets as sub-level sets of norm-based score functions represented by partially input-convex neural networks, capturing contextual information and multivariate dependence while preserving convexity and tractability in downstream robust formulations. Second, inspired by conformal risk control, we calibrate a score-threshold parameter that sets the volume of the uncertainty set, thereby controlling the expected violations of downstream operational constraints. We apply our approach to 15-minute-ahead reserve scheduling with network-constrained deliverability, which we formulate as a robust DC optimal power flow problem with affine recourse. Numerical experiments show that decision-calibrated sets attain prescribed constraint-satisfaction targets within about three percentage points, whereas standard coverage-based calibration systematically exceeds these targets by more than eleven percentage points, leading to larger sets and higher operating costs.
• Abstract（参考訳）: ロバスト最適化は、気象に依存しない不確実性によって支配される電力システムの運用コストと信頼性のバランスをとるための、困難なアプローチを提供するが、その性能は不確実性セットに大きく依存する。 標準的なデータ駆動アプローチは、しばしば不確実性セットをキャリブレーションして予測カバレッジを得る。 これとは対照的に、決定校正予測セットを導入し、ロバストな最適化問題における不確実性セットとして組み込む。 まず、これらの条件付き予測セットを、部分的に入力凸ニューラルネットワークで表されるノルムベースのスコア関数のサブレベル集合として学習し、下流の頑健な定式化において凸性とトラクタビリティを保ちながら、文脈情報と多変量依存を捉える。 第2に,不確実性セットのボリュームを設定するスコア閾値パラメータを校正し,下流の運用制約の予測違反を制御する。 本手法は,アフィンリコースを用いた直流最適潮流問題として定式化した,ネットワーク制約による15分間の予約スケジューリングに適用する。 数値実験により、決定校正された集合が所定の制約-満足目標を約3ポイントの範囲で達成できることが示され、一方、標準カバレッジベースの校正は、これらの目標を11ポイント以上体系的に超え、より大きな集合とより高い運用コストをもたらすことが示されている。

関連論文リスト

• Learning Polyhedral Conformal Sets for Robust Optimization [10.504036065018216]
  本稿では,頑健な最適化目標に適した不確実性集合を学習する,意思決定対応型コンフォメーションフレームワークを提案する。 提案手法は,データ駆動型超平面による多面体集合のフレキシブルなファミリーをパラメータ化し,誘導されたロバスト損失を直接最小化することでそれらの幾何学を学習する。 オラクル決定に対する準最適ギャップの有限サンプルカバレッジ保証とバウンダリを提供する。
  論文  参考訳（メタデータ） (2026-05-08T21:39:41Z)
• Ensemble-Based Dirichlet Modeling for Predictive Uncertainty and Selective Classification [1.77898701462905]
  Evidential Deep Learningは、1回のパスで不確実性推定を発生させることで、制限に対処することを目指している。 本研究では、モーメント推定器の手法をソフトマックス出力のアンサンブルに適用することにより、代替のディリクレパラメータ推定戦略を導入する。 これらのアンサンブルから導かれるディリクレ推定の安定性と予測的不確実性は、下流の不確実性誘導アプリケーションにおいてより強い性能に変換されることを示す。
  論文  参考訳（メタデータ） (2026-04-07T16:28:20Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• When Robustness Meets Conservativeness: Conformalized Uncertainty Calibration for Balanced Decision Making [8.234618636958462]
  本稿では,誤発見と後悔の保証を無分布で有限サンプルで提供する新しいフレームワークを提案する。 提案手法は,不規則なフロンティアを追従する有効な推定器を構築する。 これらの結果は、ロバスト性選択を導くための、最初の原則付きデータ駆動手法を提供する。
  論文  参考訳（メタデータ） (2025-10-09T03:38:17Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• End-to-End Conformal Calibration for Optimization Under Uncertainty [32.844953018302874]
  本稿では,条件最適化のための不確実性推定を学習するためのエンドツーエンドフレームワークを開発する。 さらに,部分凸ニューラルネットワークを用いた任意の凸不確実性集合の表現を提案する。 我々のアプローチは2段階最適化によって一貫して改善される。
  論文  参考訳（メタデータ） (2024-09-30T17:38:27Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)

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。