論文の概要: Rethinking Neural Width for Alternating Current Optimal Power Flow Proxies

• arxiv url: http://arxiv.org/abs/2606.03125v1
• Date: Tue, 02 Jun 2026 04:10:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 10:57:21.721672
• Title: Rethinking Neural Width for Alternating Current Optimal Power Flow Proxies
• Title（参考訳）: 交流電流最適潮流プロキシのためのニューラル幅の再検討
• Authors: Dhruvi Khandelwal, Anurag Basistha, Ayushi Jolotia, Parikshit Pareek,
• Abstract要約: Loss-Guided Neural Densification (LG-ND)アルゴリズムは、現在のディープニューラルネットワークトポロジが更なる改善に失敗した場合にのみ拡張することにより、必要な能力を検出する。 さまざまなIEEEシステムにおける実験結果から,LG-ND は文献ベースラインと同等の性能を,各層あたりのニューロンの最大10倍の精度で達成している。
• 参考スコア（独自算出の注目度）: 12.358922232854246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning proxies for Alternating Current Optimal Power Flow (ACOPF) lack systematic methods for determining architectural size. This paper conducts a constructive thought experiment to answer a fundamental inquiry: how wide must a neural network be to almost accurately approximate the ACOPF manifold? We introduce a Loss-Guided Neural Densification (LG-ND) algorithm that incrementally discovers necessary capacity by expanding only when the current deep neural network topology fails to improve further. Empirical results across various IEEE systems show that LG-ND achieves performance parity with literature baselines using up to ten times fewer neurons per layer. Such architectural minimalism is critical for the formal verification required in safety-critical grid operations.
• Abstract（参考訳）: ACOPF(Alternating Current Optimal Power Flow)のためのディープラーニングプロキシには、アーキテクチャサイズを決定するための体系的な方法がない。 本稿では, ニューラルネットワークがACOPF多様体をほぼ正確に近似するには, どの程度の幅が必要か, という根本的な疑問に答えるために, 建設的思考実験を行う。 本稿では,現在の深層ニューラルネットワークトポロジが更なる改善に失敗した場合にのみ,必要な容量を漸進的に発見するLG-NDアルゴリズムを提案する。 さまざまなIEEEシステムにおける実験結果から,LG-ND は文献ベースラインと同等の性能を,各層あたりのニューロンの最大10倍の精度で達成している。 このようなアーキテクチャの最小化は、安全クリティカルグリッド操作に必要な形式的検証にとって重要である。

関連論文リスト

• ANCRe: Adaptive Neural Connection Reassignment for Efficient Depth Scaling [57.91760520589592]
  ネットワークの深度を拡大することは、現代の基礎モデルの成功の背後にある中心的な要因である。 本稿では,ニューラルネットワークの奥行き,すなわち残差接続の既定メカニズムを再考する。 我々は、データから残余接続性をパラメータ化し、学習する原則的かつ軽量なフレームワークである、適応型ニューラルネットワーク再割り当て(ANCRe)を導入する。
  論文  参考訳（メタデータ） (2026-02-09T18:54:18Z)
• Graph Neural Network-Accelerated Network-Reconfigured Optimal Power Flow [0.24554686192257422]
  本稿では、特にグラフニューラルネットワーク(GNN)を利用した機械学習(ML)に基づくアプローチを提案する。 GNNモデルは最適化段階に入る前に最高のトポロジを予測するためにオフラインで訓練される。 高速なオンラインポストML選択層も提案され、GNN予測を分析し、高い信頼性で予測されたNRソリューションのサブセットを選択する。
  論文  参考訳（メタデータ） (2024-10-22T22:35:09Z)
• Model-Agnostic Reachability Analysis on Deep Neural Networks [25.54542656637704]
  我々はDeepAgnと呼ばれるモデルに依存しない検証フレームワークを開発した。 FNN、リカレントニューラルネットワーク(RNN)、あるいは両者の混合に適用することができる。 レイヤやパラメータといったネットワークの内部構造にアクセスする必要はない。
  論文  参考訳（メタデータ） (2023-04-03T09:01:59Z)
• Learning k-Level Structured Sparse Neural Networks Using Group Envelope Regularization [4.0554893636822]
  制約のあるリソースに大規模ディープニューラルネットワークをデプロイするための新しいアプローチを導入する。 この手法は推論時間を短縮し、メモリ需要と消費電力を減らすことを目的とする。
  論文  参考訳（メタデータ） (2022-12-25T15:40:05Z)
• Leveraging power grid topology in machine learning assisted optimal power flow [0.5076419064097734]
  機械学習支援最適電力フロー(OPF)は、非線形および非制約電力フロー問題の計算複雑性を低減することを目的としている。 我々は,機械支援OPFの2つの基本的アプローチに対して,さまざまなFCNN,CNN,GNNモデルの性能を評価する。 相互接続されたユーティリティを持ついくつかの合成格子に対して,特徴変数と対象変数の間の局所性特性は乏しいことを示す。
  論文  参考訳（メタデータ） (2021-10-01T10:39:53Z)
• A Convergence Theory Towards Practical Over-parameterized Deep Neural Networks [56.084798078072396]
  ネットワーク幅と収束時間の両方で既知の理論境界を大幅に改善することにより、理論と実践のギャップを埋める一歩を踏み出します。 本研究では, サンプルサイズが2次幅で, 両者の時間対数で線形なネットワークに対して, 地球最小値への収束が保証されていることを示す。 私たちの分析と収束境界は、いつでも合理的なサイズの同等のRELUネットワークに変換できる固定アクティベーションパターンを備えたサロゲートネットワークの構築によって導出されます。
  論文  参考訳（メタデータ） (2021-01-12T00:40:45Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。