論文の概要: Interpretable Kolmogorov-Arnold Network with Feature-Isolated Temporal Attention Mechanism for Electricity Load Forecasting

• arxiv url: http://arxiv.org/abs/2606.23425v1
• Date: Mon, 22 Jun 2026 14:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 21:07:18.499908
• Title: Interpretable Kolmogorov-Arnold Network with Feature-Isolated Temporal Attention Mechanism for Electricity Load Forecasting
• Title（参考訳）: 電力負荷予測のための特徴分離時間アテンション機構を持つ解釈可能なコルモゴロフ・アルノルドネットワーク
• Authors: Jinhao Li, Hao Wang,
• Abstract要約: Kolmogorov-Arnoldネットワーク(KAN)は、学習可能なアクティベーション関数設計のために、将来性のある代替として登場した。 本研究は負荷予測のための新しいハイブリッド・解釈可能なフレームワークであるLoadKANを開発する。
• 参考スコア（独自算出の注目度）: 3.720005287197028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate electricity load forecasting is a crucial prerequisite for stable power system operations. While prevalent deep learning models present competitive performance, they often operate as black boxes and lack interpretability. While the Kolmogorov-Arnold network (KAN) has emerged as a promising alternative because of its learnable activation function design, its direct application to time-series forecasting faces challenges in modeling complex temporal data patterns. Also, simple integration into existing architectures, such as serving as replacement of neural modules, cannot fully leverage KAN's interpretability strengths. To address these gaps, this study develops LoadKAN, a novel hybrid and interpretable framework for load forecasting that synergistically combines a specifically-designed feature-isolated temporal attention mechanism with a KAN module. The attention stage aims to extract temporal dynamics from each input feature independently, such as historical load and human mobility, providing distilled feature representations to the KAN module for interpretable predictions. When evaluated on datasets from three representative U.S. electricity markets, our LoadKAN remains highly competitive when compared to extensively-tuned, state-of-the-art, black-box deep learning benchmarks. More importantly, LoadKAN's interpretability enables a granular analysis of the learned non-linear relationships between six distinct mobility patterns and electricity load. Through KAN-learned activation functions, our quantitative sensitivity analyses on mobility features reveal complex and market-specific dependencies. These findings further demonstrate the ability of our LoadKAN to generate insights often obscured by opaque black-box neural forecasting models.
• Abstract（参考訳）: 電力系統の安定運転には, 正確な電力負荷予測が不可欠である。 一般的なディープラーニングモデルは競争力のあるパフォーマンスを示すが、ブラックボックスとして機能し、解釈性に欠けることが多い。 Kolmogorov-Arnoldネットワーク(KAN)は、学習可能なアクティベーション関数の設計のため、将来性のある代替として登場したが、時系列予測への直接的な適用は、複雑な時間的データパターンをモデル化する際の課題に直面している。 また、ニューラルモジュールの代替として機能する既存のアーキテクチャへの単純な統合は、kanの解釈可能性の強みを完全に活用することはできない。 これらのギャップに対処するため, 負荷予測のための新しいハイブリッド・解釈可能なフレームワークであるLoadKANを開発し, 特別に設計された特徴分離型時間的注意機構とkanモジュールを相乗的に組み合わせた。 注意段階は, 歴史的負荷や人体移動といった各入力特徴から時間的ダイナミクスを独立に抽出することを目的としており, 解釈可能な予測を行うためにkanモジュールに蒸留された特徴表現を提供する。 米国三大電力市場のデータセットで評価すると、LoadKANは、最先端のブラックボックスディープラーニングベンチマークと比較しても、非常に競争力がある。 さらに重要なことは、LoadKANの解釈可能性によって、6つの異なるモビリティパターンと電力負荷の間の学習された非線形関係を詳細に分析することができることである。 カン学習活性化関数を用いて,モビリティ特性の定量的感度分析により,複雑かつ市場固有の依存性が明らかとなった。 これらの結果は、不透明なブラックボックスニューラル予測モデルによってしばしば隠蔽される洞察を、LoadKANが生成できることをさらに示している。

関連論文リスト

• U-STS-LLM A Unified Spatio-Temporal Steered Large Language Model for Traffic Prediction and Imputation [6.194596351746244]
  U-STS-LLM は,時空間操舵 LLM 上に構築された統合フレームワークである。 我々の中心となる革新は動的S-Loコンカレントアテンションバイアスジェネレータであり、過渡的なノイズ状態を持つ永続関数グラフを合成する。 U-STS-LLMは、長距離予測と高損失レート計算の両方において、新しい最先端性能を確立することを実世界のセル・データセットで実証した。
  論文  参考訳（メタデータ） (2026-05-12T08:16:22Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Generative QoE Modeling: A Lightweight Approach for Telecom Networks [6.473372512447993]
  本研究では,計算効率,解釈可能性,予測精度のバランスをとる軽量な生成モデリングフレームワークを提案する。 ベクトル量子化(VQ)を前処理技術として用いることにより、連続的なネットワーク機能は事実上離散的な分類記号に変換される。 このVQ-HMMパイプラインは、新しい未知のデータに対する確率的推論をサポートしながら、動的QoEパターンをキャプチャするモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-04-30T06:19:37Z)
• A multi-source data power load forecasting method using attention mechanism-based parallel cnn-gru [4.983952121560523]
  本稿では,動的データと静的データの両方から重要な情報を抽出する並列構造ネットワークを提案する。 CNNモジュールは静的データから空間特性をキャプチャし、GRUモジュールは動的時系列データの長期的な依存関係をキャプチャする。 マルチソース情報の抽出・統合における並列構造モデルの利点を実証するため, 一連の実験を行った。
  論文  参考訳（メタデータ） (2024-09-26T14:38:54Z)
• Kolmogorov-Arnold Networks for Time Series: Bridging Predictive Power and Interpretability [6.4314326272535896]
  Kolmogorov-Arnold Networks (KAN)は、最近MITチームが提案した画期的なモデルである。 Kanは時系列内の概念ドリフトを検知し、予測と過去の時間ステップの間の非線形関係を説明するように設計されている。 T-KANは、時系列内の概念ドリフトを検知し、予測と過去の時間ステップの間の非線形関係を説明するように設計されている。 一方,MT-KANは変数間の複雑な関係を効果的に発見・活用することで予測性能を向上させる。
  論文  参考訳（メタデータ） (2024-06-04T17:14:31Z)
• Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
  トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。 既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。 我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:15:57Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• ES-dRNN with Dynamic Attention for Short-Term Load Forecasting [1.1602089225841632]
  短期負荷予測(STLF)は、時系列の複雑な性質が複数の季節性やばらつきを表わすため、難しい問題である。 本稿では,指数的スムース化と拡張型リカレントニューラルネットワーク(ES-dRNN)と動的注意機構を組み合わせたハイブリッド予測モデルの拡張を提案する。
  論文  参考訳（メタデータ） (2022-03-02T08:39:33Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。