論文の概要: MxGPS: Multiplex Graph Transformers for a Power Grid Foundation Model
- arxiv url: http://arxiv.org/abs/2607.13763v2
- Date: Fri, 17 Jul 2026 14:27:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 13:50:44.335428
- Title: MxGPS: Multiplex Graph Transformers for a Power Grid Foundation Model
- Title（参考訳）: MxGPS:パワーグリッド基礎モデルのための多重グラフ変換器
- Abstract要約: 電力グリッド問題に対するグラフニューラルネットワーク(GNN)の単一タスクの微調整は、系統的な障害モードを示す。
我々は、このトポロジオーバーフィッティングを、基礎となる物理学よりも訓練トポロジに特有の関係構造を符号化するタスク固有の勾配信号の傾向と呼ぶ。
我々は、共有ノードエンコーダ上でKタスク特化GPSブランチを実行する多重グラフ変換器であるMxGPS(Multiplex GPS)を紹介する。
- 参考スコア（独自算出の注目度）: 0.7951418336539415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single-task fine-tuning of graph neural networks (GNNs) for power grid problems exhibits a systematic failure mode: models that achieve the lowest in-distribution error degrade the most under topology shift. We term this topology overfitting: the tendency of task-specific gradient signals to encode relational structure particular to the training topologies rather than the underlying physics, causing models to fail on unseen grids despite strong in-distribution performance. To expose and address this failure mode, we introduce MxGPS (Multiplex GPS), a multiplex graph transformer that runs K task-specialised GPS branches over a shared node encoder, jointly trained on Static State Estimation (SSE) and AC Power Flow (PF) via a self-supervised pre-training and multi-task fine-tuning protocol, with a cross-branch attention module evaluated in ablation. The joint SSE+PF objective forces the shared encoder to simultaneously satisfy complementary gradient signals, preventing it from overfitting to topology-specific relational structure. Under a 3-fold sliding-window cross-validation spanning four unseen topologies (14-, 24-, 162-, and 300-bus), MxGPS attains 0% boundary violation rate (BVR) on all four zero-shot Power Flow topologies. Critically, models with substantially lower in-distribution PF error degrade by 190% to 1400% under topology shift, whereas MxGPS degrades by only 39%, an inversion that directly implicates topology overfitting as the failure mechanism rather than insufficient model capacity. With only 1.6M parameters (12x fewer than the GridFM reference baseline), MxGPS demonstrates that multi-task joint training is a principled and parameter-efficient mechanism for topology-agnostic generalisation in power grid foundation models.
- Abstract（参考訳）: 電力グリッド問題に対するグラフニューラルネットワーク(GNN)の単一タスクの微調整は、系統的な障害モードを示す。
このトポロジオーバーフィッティングは、基礎となる物理ではなく、トレーニングトポロジに特有の関係構造を符号化するタスク固有の勾配信号の傾向であり、非分配性能が強いにもかかわらず、未知のグリッド上でモデルが失敗する原因となる。
この障害モードを露呈し対処するために、MxGPS(Multiplex GPS)は、共有ノードエンコーダ上でKタスク専用GPSブランチを実行する多重グラフトランスフォーマーであり、自己教師付き事前学習およびマルチタスク微調整プロトコルを介して静的状態推定(SSE)と交流電力流(PF)を共同で訓練し、アブレーションで評価されるクロスブランチアテンションモジュールである。
共同SSE+PFの目的は、共有エンコーダが相補的な勾配信号を同時に満たすことを強制し、トポロジー固有の関係構造への過度な適合を防止することである。
4つの見えないトポロジー(14-, 24-, 162-, 300-bus)にまたがる3倍のスライディングウインドウクロスバリデーションの下で、MxGPSは4つのゼロショットパワーフロートポロジーすべてにおいて境界違反率(BVR)を達成する。
MxGPSはトポロジーシフトで190%から1400%に低下する一方、MxGPSは39%しか低下しない。
1.6Mパラメータ(GridFM基準ベースラインより12倍少ない)しか持たないMxGPSは、マルチタスクジョイントトレーニングがパワーグリッド基盤モデルにおけるトポロジ非依存的な一般化のための原則的かつパラメータ効率のメカニズムであることを示した。
関連論文リスト
- Unified Heterogeneous Graph Neural Network solver for Power Flow, Optimal Power Flow and State Estimation [1.834098271561585]
本稿では,1つの共有バックボーンで3つの問題を全て解決する1つの不均一残差グラフ畳み込みネットワークを提案する。
多様なトポロジと負荷条件の3つの問題を共同でトレーニングし,IEEE 14-busと118-busシステムで評価した。
これらの結果から,1つのモデルが電力ネットワークの基本動作を捕捉し,複数の解析タスクを同時に行うことが可能であることが示唆された。
論文 参考訳（メタデータ） (2026-09-15T07:13:05Z) - Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。
State-of-the-art merging method formulate merging as a layer-wise interference problem。
本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
論文 参考訳（メタデータ） (2026-06-05T14:00:47Z) - Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。
事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。
高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。
本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。
SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
論文 参考訳（メタデータ） (2026-05-23T17:42:25Z) - Scalable Heterogeneous Graph Foundation Models for Data-Driven Optimal Power Flow in Smart Grids [7.737263980113792]
本稿では,データ駆動型OPFサロゲートモデリングとOPF-GFM開発のためのスケーラブルなヘテロジニアスグラフニューラルネットワーク(GNN)ワークフローを提案する。
このワークフローは、異なるノードとエッジタイプの電力グリッドを保持し、リーダーシップクラスのスーパーコンピュータで分散前処理、トレーニング、下流の微調整をサポートする。
論文 参考訳（メタデータ） (2026-05-22T03:25:25Z) - Graph Computation Meets Circuit Algebra: A Task-Aligned Analysis of Graph Neural Networks for Electronic Design Automation [0.0]
EDA問題はグラフ構造化されているが、グラフ構造化された全ての問題は、同じGNN計算を必要とするわけではない。
我々は、GNN-for-EDA手法が目的タスクのネイティブ代数と伝播、集約、および監督を協調する手法であると主張している。
論文 参考訳（メタデータ） (2026-05-08T08:24:33Z) - Graph Signal Diffusion Models for Wireless Resource Allocation [74.84410305593006]
グラフ構造干渉を用いた無線ネットワークにおける制約付きエルゴディック資源最適化について検討する。
生成した電力割り当ての時間的共有は、ほぼ最適のエルゴディック・サムレートユーティリティとほぼ実現可能なエルゴディック・ミニマルレートを実現する。
論文 参考訳（メタデータ） (2026-04-06T21:12:25Z) - BOOST-RPF: Boosted Sequential Trees for Radial Power Flow [0.0]
本稿では,グローバルグラフ回帰タスクからの電圧予測を逐次パスベース学習問題に変換する新しい手法であるBOOST-RPFを紹介する。
本研究では, 絶対電圧, 親残差, 物理インフォームド残差の3種類のアーキテクチャ特性を評価する。
Kerber DorfnetzグリッドとENGAGEスイートに対してベンチマークされ、BOOST-RPFは最先端の結果を得る。
論文 参考訳（メタデータ） (2026-03-23T13:41:36Z) - Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。
AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする
我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文 参考訳（メタデータ） (2026-03-12T18:19:21Z) - Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。
合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善
DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
論文 参考訳（メタデータ） (2026-02-03T23:38:05Z) - Learning Wireless Interference Patterns: Decoupled GNN for Throughput Prediction in Heterogeneous Multi-Hop p-CSMA Networks [4.303580795892996]
Decoupled Graph Convolutional Network (D-GCN)は、ノードの送信確率の処理を近隣の干渉効果から明確に分離する新しいアーキテクチャである。
D-GCNは3.3%のNMAEを達成し、強力なベースラインを上回り、正確な解析手法が計算的に実現不可能になった場合でも、依然として引くことができる。
論文 参考訳（メタデータ） (2025-10-15T22:13:59Z) - FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z)
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。