論文の概要: Increasing Line Outage Localization Performance with Ensemble Classifiers

• arxiv url: http://arxiv.org/abs/2607.17008v1
• Date: Sat, 18 Jul 2026 23:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.336027
• Title: Increasing Line Outage Localization Performance with Ensemble Classifiers
• Title（参考訳）: アンサンブル分類器を用いたライン停止局所化性能の向上
• Authors: Daniel Flores, Yuanrui Sang, Michael P. McGarry,
• Abstract要約: 多くの場合、システム内の1つの伝送路の停止は、他の伝送路の電力フローを監視して局所化することができる。 本研究では,様々なアンサンブル分類器によって達成されたライン停止位置推定性能の改善について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many cases, the outage of one transmission line in a system can be localized by monitoring the power flow of another line, and machine learning methods can be used to distinguish the cases under uncertainty. In this study, we examine the improvements in line outage localization performance achieved by various ensemble classifiers compared to single-model methods. In the case studies, we compared the classification results with measurement data collected at observed transmission lines (OTLs) selected using three algorithms, i.e, greedy maximum coverage problem (MCP), high-eta, and random selection, based on two sensitivity factors, i.e., line outage distribution factors (LODFs) and line outage impact factors (LOIFs). We found that the OTLs selected by the greedy MCP algorithm yielded the highest F1 score and the ensemble classifiers significantly outperformed a base kNN classifier. The extra-trees bagging technique achieved the highest F1 score in many instances. All the findings were statistically significant.
• Abstract（参考訳）: 多くの場合、システム内の1つの伝送路の停止は、他の伝送路の電力フローを監視して局所化することができ、不確実性のある場合を識別するために機械学習手法を用いることができる。 本研究では,複数のアンサンブル分類器によって達成されるラインの停止局所化性能を,単一モデル法と比較して改善した。 ケーススタディでは,2つの感度因子,すなわちライン障害分布因子(LODF)とライン障害影響因子(LOIF)に基づいて,3つのアルゴリズム,すなわちgreedy maximum coverage problem(MCP),high-eta,ランダム選択を用いて選択された観測伝送線路(OTL)で収集された測定データと比較した。 その結果, Greedy MCP アルゴリズムにより選択された OTL が最も高い値を示し, アンサンブル分類器は基本 kNN 分類器よりも有意に優れていた。 エクストラツリーのバギング技術は多くの事例でF1スコアを達成した。 統計学的に有意であった。

関連論文リスト

• nCMD: Benign-Anchored Feature Selection for Imbalanced Network Intrusion Detection [0.0]
  侵入検知システムの特徴をランク付けするために,良性アンコール型クラスワイド平均偏差(nCMD)を提案する。 nCMDは、グローバルバイアス参照ではなく、良性クラス平均からの攻撃クラス分布の偏差に基づく特徴的関連性を評価する。 このアプローチは、追加の計算コストなしで、機能選択とNIDSの操作意味を一致させる。
  論文  参考訳（メタデータ） (2026-06-07T19:01:05Z)
• HSFN: Hierarchical Selection for Fake News Detection building Heterogeneous Ensemble [7.982080205252205]
  本稿では,その多様性を優先し,性能によって拡張された新しい自動分類器選択手法を提案する。 異なるアプリケーションドメインから6つのデータセットにまたがる40の異種分類器を用いて実験を行う。 その結果,提案手法は6つのデータセットのうち2つにおいて最も精度が高いことがわかった。
  論文  参考訳（メタデータ） (2025-08-29T10:09:20Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Enhancing Out-of-Distribution Detection with Multitesting-based Layer-wise Feature Fusion [11.689517005768046]
  アウト・オブ・ディストリビューション(Out-of-distriion)サンプルは、トレーニング分布と比較して、局所的またはグローバルな特徴の変化を示す可能性がある。 本稿では,新しいフレームワーク,Multitesting-based Layer-wise Out-of-Distribution (OOD) を提案する。 本手法は, ベースライン法と比較して, 分布外検出の性能を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-03-16T04:35:04Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Ensemble Classifier Design Tuned to Dataset Characteristics for Network Intrusion Detection [0.0]
  データセットのクラスオーバーラップ問題に対処する2つの新しいアルゴリズムが提案されている。 提案手法は二進分類と多進分類の両方で評価される。
  論文  参考訳（メタデータ） (2022-05-08T21:06:42Z)
• Channel DropBlock: An Improved Regularization Method for Fine-Grained Visual Classification [58.07257910065007]
  既存のアプローチは主に、識別的部分を見つけるための注意機構や、高度にパラメータ化された特徴を弱教師付きで抽出する特徴符号化アプローチを導入することでこの問題に対処している。 本研究では,CDB(Channel DropBlock)と呼ばれる軽量で効果的な正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:03:02Z)
• Greedy Search Algorithms for Unsupervised Variable Selection: A Comparative Study [3.4888132404740797]
  本稿では,非監視変数選択に基づく次元還元について述べる。 本稿では,7つの非監視勾配変数選択アルゴリズムの臨界評価について述べる。 本稿では,FSCA(Forward selection component analysis)アルゴリズムで説明された分散の遅延実装を初めて導入し,評価する。
  論文  参考訳（メタデータ） (2021-03-03T21:10:26Z)

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。