論文の概要: Gradient-Free Topology Adaptation for Power Flow Surrogates via In-Context Whitening
- arxiv url: http://arxiv.org/abs/2607.12241v1
- Date: Tue, 14 Jul 2026 00:57:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.001929
- Title: Gradient-Free Topology Adaptation for Power Flow Surrogates via In-Context Whitening
- Title（参考訳）: インコンテキスト・ホワイトニングによるパワーフロー・サロゲートの勾配自由位相適応
- Abstract要約: 交流電力流問題に対する機械学習サロゲートは、固定されたネットワーク上の繰り返し解のコストを下げるが、ラインの故障がトポロジーを変えると1～2桁の精度を失う。
In-Context Whitening (ICW) を提案し、ベーストポロジの最初の2つのモーメントで白化された出力空間でACPFをシュロゲートし、新しいトポロジ上の数百のケースから白化を再度推定することにより、未知のN-1またはN-2トポロジに適応させる。
ICWが全体のエラーを6$times$から28$times$ over frozenに削減
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine-learned surrogates for the AC power flow (ACPF) problem amortize the cost of repeated solves on a fixed network, but lose one to two orders of magnitude of accuracy when a line outage changes the topology. This degradation is an operator shift. The altered admittance matrix changes the input-to-output map, so identical inputs yield a different output distribution. Existing methods correct this with target-topology data and per-topology gradient steps. We ask whether the correction can instead be made statistical and gradient-free. We propose In-Context Whitening (ICW), which trains an ACPF surrogate in an output space whitened by the base topology's first two moments, and adapts it to an unseen N-1 or N-2 topology by re-estimating that whitening from a few hundred solved cases on the new topology. This adaptation is gradient-free, weight-free, and architecture-agnostic. We prove that among affine whiteners the unique choice that preserves the coordinate-wise semantics of the physical output vector is ZCA whitening, so within efficient invertible corrections, two moments are sufficient. Across the IEEE 30-, 118-, and 300-bus systems under N-1 and N-2 contingencies, ICW reduces overall error by 6$\times$ to 28$\times$ over frozen surrogates (up to 54$\times$ per-quantity under N-2) and cuts worst-bus power-balance mismatch by up to 30$\times$, with consistent gains across three backbones. At deployment scale it matches or beats gradient-based adaptation in accuracy while adapting 21$\times$ to 34$\times$ faster, with a cost that parallelizes on commodity CPU cores rather than requiring one GPU per contingency.
- Abstract（参考訳）: ACPF(AC Power Flow)問題に対する機械学習サロゲートは、固定されたネットワーク上の繰り返し解のコストを下げるが、ラインの停止がトポロジーを変えると1～2桁の精度を失う。
この劣化は演算子シフトである。
変更された許容行列は入出力マップを変更するため、同一の入力は出力分布が異なる。
既存の手法では、ターゲットトポロジーデータと各トポロジー勾配のステップでこれを修正している。
代わりに、補正が統計的かつ勾配のないものにできるかどうかを問う。
In-Context Whitening (ICW) を提案し、ベーストポロジの最初の2つのモーメントで白化された出力空間でACPFをシュロゲートし、新しいトポロジ上の数百のケースから白化を再度推定することにより、未知のN-1またはN-2トポロジに適応させる。
この適応は勾配のない、重量のない、アーキテクチャに依存しない。
アフィンホワイトナーの中で、物理出力ベクトルの座標的意味を保った一意的な選択はZCAホワイトニングであり、効率的な可逆補正では2つのモーメントが十分であることを示す。
IEEE 30-, 118-, 300-bus系において、N-1およびN-2系では、ICWは全体のエラーを6$\times$から28$\times$に減らし(N-2系では54$\times$まで)、最悪のバスの電力バランスミスマッチを最大30$\times$まで減らし、3つのバックボーン間で一貫した利得を持つ。
デプロイメントスケールでは、21$\times$から34$\times$に適応しながら、グラデーションベースの適応を正確さでマッチまたは打ち負かす。
関連論文リスト
- REAL-Q: E2E LLM Quantization via Dynamic Gradient Descent [12.963839117543408]
訓練後の量子化(PTQ)は、厳しいリソース制約下での大規模言語モデル(LLM)のデプロイに不可欠である。
本稿では、この妥協を破る新しいPTQパラダイムであるREAL-Q(Real-time E2E-loss Aligned LLM Quantization)を提案する。
W4A16のLLaMA-3.1とQwen3(0.6B-32B)では、REAL-Qは最先端のグローバル誘導方式と比較して、エンドツーエンドのKLの発散を最大49%減少させる。
論文 参考訳（メタデータ） (2026-08-30T06:30:31Z) - Cross-Layer Error Compensation and Finite-Sample Feature-Statistics Matching for Extreme Low-Bit Quantization of Large Language Models [0.0]
すべてのレイヤの離散コードとスケールに対する共同最適化として量子化を定式化する。
FP16教師に対して,誤差補償のみのパープレキシティ比が9.56+/-0.15に達することを示す。
Qwen2.5-1.5B で 1.125 ビットのグループバイナリの重みを持つ場合、誤差補償だけで FP16 の教師に対して 9.56 +/- 0.15 のパープレキシティ比に達する。
論文 参考訳（メタデータ） (2026-07-16T06:47:52Z) - Zeta: Dual Whitening for Matrix Optimization via Coordinate-Adaptive Preconditioning [56.24532075189964]
我々は、厳密に順序付けられたパイプラインで座標白化とスペクトル白化を施した二重白化であるゼータを提案する。
我々はZetaが言語モデリング(0.6Bから8Bパラメータ)、Mix-of-expertsアーキテクチャ、ビジョンタスクにまたがる強力なベースラインに適合しているか、あるいは超越していることを証明する。
論文 参考訳（メタデータ） (2026-06-12T07:10:17Z) - Evolving Layer-Specific Scalar Functions for Hardware-Aware Transformer Adaptation [0.5266471639657487]
ビジョントランスフォーマー(ViT)は、挑戦的なビジョンタスクにおいて最先端のパフォーマンスを達成するが、エッジデバイスへのデプロイメントは妨げられている。
最近の手法では、正規化層をハードウェアフレンドリーなスカラー近似に置き換えることでこれを回避しようとしている。
本稿では、遺伝的プログラミング(GP)を利用して、異種層特異的スカラー関数を進化させる高効率なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-13T19:08:55Z) - Hierarchical Transformer Preconditioning for Interactive Physics Simulation [28.137076331332413]
階層型トランスフォーマープレコンディショナー(Hierarchical Transformer Preconditioner)は、弱い許容率のH行列分割に固定されたニューラルプレコンディショナーである。
ネットワークは低ランクの遠距離因子を通して逆をモデル化する。
高速道路の接続を利用して、奥行きを隔ててコンテキストを伝播する。
論文 参考訳（メタデータ） (2026-05-13T11:02:27Z) - Transformers as Support Vector Machines [54.642793677472724]
自己アテンションの最適化幾何と厳密なSVM問題との間には,形式的等価性を確立する。
勾配降下に最適化された1層変圧器の暗黙バイアスを特徴付ける。
これらの発見は、最適なトークンを分離し選択するSVMの階層としてのトランスフォーマーの解釈を刺激していると信じている。
論文 参考訳（メタデータ） (2023-08-31T17:57:50Z) - Improved techniques for deterministic l2 robustness [63.34032156196848]
畳み込みニューラルネットワーク(CNN)を$l_2$ノルムの下で厳密な1-Lipschitz制約で訓練することは、対向的堅牢性、解釈可能な勾配、安定した訓練に有用である。
我々は,最後の線形層を1重層に置き換えることで,1-Lipschitz CNNのロバスト性を証明する手法を提案する。
我々は,CIFAR-10およびCIFAR-100における標準および証明可能な堅牢な精度の最先端化を図る。
論文 参考訳（メタデータ） (2022-11-15T19:10:12Z) - Bounding the Width of Neural Networks via Coupled Initialization -- A
Worst Case Analysis [121.9821494461427]
2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。
また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
論文 参考訳（メタデータ） (2022-06-26T06:51:31Z) - How to Attain Communication-Efficient DNN Training? Convert, Compress,
Correct [19.440030100380632]
本稿では,通信効率の高いDeep Neural Network (DNN) トレーニングのためのアルゴリズムであるCO3を紹介する。
CO3は、リモートユーザからサーバにローカルDNN勾配を送信する際の通信負荷を低減する3つの処理から名付けられた。
論文 参考訳（メタデータ） (2022-04-18T08:22:55Z) - Robust Training of Neural Networks using Scale Invariant Architectures [70.67803417918854]
SGDとは対照的に、Adamのような適応勾配法は、現代のディープネットワークの堅牢なトレーニングを可能にする。
この一般的なアプローチは、パラメータと損失の再スケーリングに頑健であることを示す。
我々は、単にバニラSGDで訓練された場合、Adamのような適応的な手法で訓練されたBERTに匹敵する性能を達成する、SIBERTと呼ばれるスケール不変バージョンのBERTを設計する。
論文 参考訳（メタデータ） (2022-02-02T11:58:56Z) - Boosting Gradient for White-Box Adversarial Attacks [60.422511092730026]
そこで本研究では,ADV-ReLUと呼ばれる,勾配に基づくホワイトボックス攻撃アルゴリズムの性能向上を目的とした,汎用的な逆例生成手法を提案する。
提案手法では,損失関数とネットワーク入力の勾配を算出し,その値をスコアにマップし,その一部を選択して誤導勾配を更新する。
論文 参考訳（メタデータ） (2020-10-21T02:13:26Z)
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。