論文の概要: Revisiting data-driven dynamic security assessment with a tabular foundation model

• arxiv url: http://arxiv.org/abs/2607.16031v1
• Date: Fri, 17 Jul 2026 15:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.880764
• Title: Revisiting data-driven dynamic security assessment with a tabular foundation model
• Title（参考訳）: 表層基礎モデルによるデータ駆動型動的セキュリティ評価の再検討
• Abstract要約: データ駆動型プレフォールト動的セキュリティアセスメント(DSA)は,機械学習を用いた電力系統における信頼性の高い事象の動的リスクを急速に評価する。 既存のアプローチには2つの制限がある。 トレーニングには大きなラベル付きデータベースが必要で、個別のモデルでトレーニングされ、チューニングされ、各インスタンスのために維持される。
• 参考スコア（独自算出の注目度）: 6.878718937917184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven pre-fault dynamic security assessment (DSA) rapidly evaluates the dynamic risk of credible contingencies on a power system using machine learning. Existing approaches face two limitations. First, they require a large labelled database for training, with a separate model trained, tuned, and maintained for each contingency in a potentially long list of credible contingencies. Second, the trained models generalize poorly to unseen contingencies. This work addresses the limitations by using a tabular foundation model (TFM) that assesses stability through in-context learning, requiring no retraining or hyperparameter optimization. A single TFM can assess many contingencies at once, removing the need for one model per classifier. We also characterize when the use of electrical distance coordinates (EDC) as continuous features enables generalization of TFM to unseen contingencies and when they do not, demonstrating how a few labelled samples can reliably improve generalization. Through comprehensive case studies on the IEEE 68-bus system, we show that a single TFM attains an average Macro F1 score of about 90% with only 120 labelled samples per contingency, roughly two orders of magnitude fewer than conventionally assumed, without any model retraining or hyperparameter tuning. For new/unseen contingencies, we show that using just 10 labelled samples of the new contingency with EDC encoding matches the best achievable transfer learning oracle model, which requires fully labelled data and is not deployable in practice. Overall, this initial study paves the way towards developing and deploying foundation models for power system operations, with possible applications across multiple operational tasks.
• Abstract（参考訳）: データ駆動型プレフォールト動的セキュリティアセスメント(DSA)は,機械学習を用いた電力系統における信頼性の高い事象の動的リスクを急速に評価する。 既存のアプローチには2つの制限がある。 まず、トレーニングには大きなラベル付きデータベースが必要で、個別のモデルでトレーニングされ、チューニングされ、各コンセントに対して、潜在的に信頼できるコンセントのリストで維持される。 第二に、訓練されたモデルは、目に見えない事態にあまり一般化しない。 この研究は、文脈内学習を通じて安定性を評価する表層基礎モデル(TFM)を用いて制限に対処し、再トレーニングやハイパーパラメータ最適化を必要としない。 1つのTFMは一度に複数の事象を評価でき、分類器ごとに1つのモデルの必要性を排除できる。 また,電気的距離座標(EDC)を連続的な特徴として利用することで,TFMの一般化が不確実な状況に陥り,そうでない場合には,いくつかのラベル付きサンプルが確実に一般化できることを示す。 IEEE 68-busシステムに関する包括的ケーススタディにより, モデル再構成やハイパーパラメータチューニングを伴わずに, 平均マクロF1スコアが90%, 平均120個のラベル付きサンプルしか得られないことが判明した。 新規かつ未確認の事象に対しては,EDCエンコーディングによる新しい一致のラベル付きサンプルを10個だけ使用すれば,完全なラベル付きデータを必要とする,達成可能な転送学習オラクルモデルと一致し,実際にデプロイできないことを示す。 全体として、この最初の研究は、複数の運用タスクにまたがる応用が可能な、電力系統運用のための基礎モデルの開発と展開の道を開くものである。

関連論文リスト

• Multi-Objective Learning for Diffusion Models: A Statistical Theory under Semi-Supervised Learning [83.65494573724904]
  我々は、限られたデータを持つ拡散モデルのための原則的MOLフレームワークを開発する。 限られたペアデータから,まず軽量なスペシャリストモデルに適合する2段階のトレーニング手順を提案する。 与えられたペアサンプルの個数は、専門モデルクラスの複雑さにのみ依存することを示す境界一般化を確立する。
  論文  参考訳（メタデータ） (2026-05-24T18:19:40Z)
• TFMAdapter: Lightweight Instance-Level Adaptation of Foundation Models for Forecasting with Covariates [21.978694988304692]
  時系列基礎モデル(TSFM)は、最近、新しい時系列の単変量予測において最先端のパフォーマンスを達成した。 我々は,TSFMを微調整なしで共変情報で拡張する,軽量なインスタンスレベルのアダプタであるFMAdapterを提案する。 実世界のデータセットに関する大規模な実験は、FMAdapterがファンデーションモデルと教師付きベースラインの両方を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-09-17T11:13:14Z)
• SPaRFT: Self-Paced Reinforcement Fine-Tuning for Large Language Models [51.74498855100541]
  大規模言語モデル(LLM)は、強化学習(RL)による微調整時に強い推論能力を示す。 トレーニング対象のモデルの性能に基づいて,効率的な学習を可能にする自己評価学習フレームワークである textbfSPaRFT を提案する。
  論文  参考訳（メタデータ） (2025-08-07T03:50:48Z)
• On-the-Fly Fine-Tuning of Foundational Neural Network Potentials: A Bayesian Neural Network Approach [2.0700747055024284]
  微調整基礎モデルは、所望の精度に達するのに必要なトレーニングデータの量を減らすことができる。 この形式のアクティブラーニングを基礎モデルの微調整に適用する上で重要な課題は、微調整プロセス中にこれらのモデルの不確実性を評価する方法である。
  論文  参考訳（メタデータ） (2025-07-18T10:33:06Z)
• Can Time-Series Foundation Models Perform Building Energy Management Tasks? [5.450531952940644]
  エネルギー管理タスクを構築するには、さまざまな時系列データからの処理と学習が必要である。 既存のソリューションは、これらのタスクを実行するために、bespokeタスクとデータ固有のモデルに依存しています。 LLM(Large Language Models)の変革的な成功に触発されて、TSFM(Time-Series Foundation Models)は、これを変える可能性を秘めている。
  論文  参考訳（メタデータ） (2025-06-12T19:45:10Z)
• Efficient Federated Class-Incremental Learning of Pre-Trained Models via Task-agnostic Low-rank Residual Adaptation [22.454292668849035]
  Fed-TaLoRA(Federated Task-Agnostic Low-rank Residual Adaptation) 我々は,最小限のオーバーヘッドで正確な知識統合を実現するための,新たな残量更新機構を開発した。 我々の方法論的革新は,タスク非依存適応,ポストアグリゲーションモデル校正,LORAモジュールの戦略的配置の3つの主要な戦略に起因している。
  論文  参考訳（メタデータ） (2025-05-18T09:19:13Z)
• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• Optimal design of experiments in the context of machine-learning inter-atomic potentials: improving the efficiency and transferability of kernel based methods [0.7234862895932991]
  原子間相互作用のデータ駆動機械学習(ML)モデルは、原子配列のニュアンスな側面をエネルギーと力の予測に関連付けることができる。 主な課題は、化学環境のディスクリプタが、よく明確に定義された連続計量のない高次元の物体であるという事実に起因している。 実験の統計的計画と最適設計の古典的な概念は、そのような問題を比較的低い計算コストで緩和するのに役立つことを実証する。
  論文  参考訳（メタデータ） (2024-05-14T14:14:23Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)

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。