論文の概要: SynEnergy: Anomaly Semantic-Guided Diffusion for Synthetic Energy Data Generation

• arxiv url: http://arxiv.org/abs/2608.03087v1
• Date: Tue, 04 Aug 2026 04:00:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.02512
• Title: SynEnergy: Anomaly Semantic-Guided Diffusion for Synthetic Energy Data Generation
• Title（参考訳）: SynEnergy: Anomaly Semantic-Guided Diffusion for Synthetic Energy Data Generation
• Abstract要約: 本稿では, 異常保存エネルギー消費データ生成のための2段階拡散に基づくフレームワークを提案する。 第1段階、異種グラフに基づく異常意味学習(HG-ASL)は、スパース残基構造から領域固有の異常意味を抽出する。 第2段階であるAnomaly Semantic-Guided Diffusion (AS-Diff)は、学習した異常なセマンティクスを認知過程に注入し、現実的な消費シーケンスを生成する。
• 参考スコア（独自算出の注目度）: 5.676157325165344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-grained energy consumption data are essential for applications such as demand forecasting, demand response planning, and grid reliability assessment. However, access to such data is often restricted by privacy concerns and data-sharing constraints, motivating growing interest in synthetic energy data generation. Although existing methods can reproduce overall consumption distributions and recurring temporal patterns, they often smooth out or underrepresent anomalous events caused by extreme weather, infrastructure failures, and behavioral shifts. Preserving these events is challenging because they are sparse, localized in time and space, and shaped by heterogeneous dependencies across geographical proximity and regional attributes. To address these challenges, we propose SynEnergy, a two-stage diffusion-based framework for anomaly-preserving energy consumption data generation. The first stage, Heterogeneous Graph-based Anomaly Semantic Learning (HG-ASL), extracts region-specific anomaly semantics from sparse residual structures by jointly modeling spatial and attribute dependencies across urban regions. The second stage, Anomaly Semantic-guided Diffusion (AS-Diff), injects the learned anomaly semantics into the denoising process to generate realistic consumption sequences while preserving anomalous patterns. This design enables controllable generation for individual regions and scales naturally to city-wide settings. We evaluate SynEnergy on four real-world energy consumption datasets against 11 general-purpose and energy-specific generation baselines. Experimental results show that SynEnergy improves anomaly preservation fidelity by an average of 12.21% and downstream quality by 2.96%, while maintaining competitive overall generation fidelity compared to baselines.
• Abstract（参考訳）: 需要予測、需要応答計画、グリッド信頼性評価などのアプリケーションには、きめ細かいエネルギー消費データが不可欠である。 しかし、そのようなデータへのアクセスはプライバシーの懸念やデータ共有の制約によって制限されることが多く、合成エネルギーデータ生成への関心が高まっている。 既存の方法では、全体的な消費分布や時間的パターンを再現することができるが、極端な天候、インフラの故障、行動の変化によって引き起こされる異常な出来事を円滑にあるいは過小評価することが多い。 これらのイベントを保存することは、空白であり、時間と空間で局所化され、地理的に近接する属性と局所的な属性にまたがる不均一な依存関係によって形成されるため、困難である。 これらの課題に対処するため、我々は、異常保存エネルギー消費データ生成のための2段階拡散ベースのフレームワークであるSynEnergyを提案する。 第1段階、異種グラフに基づく異常意味学習(HG-ASL)は、都市部における空間的および属性的依存関係を共同でモデル化することにより、スパース残像から地域固有の異常意味論を抽出する。 第2段階であるAnomaly Semantic-Guided Diffusion (AS-Diff)は、学習した異常な意味論を認知過程に注入し、異常パターンを保存しながら現実的な消費シーケンスを生成する。 この設計は、各地域の制御可能な生成を可能にし、都市全体の設定に自然にスケールする。 我々は,SynEnergyの4つの実世界のエネルギー消費データセットを,11の汎用およびエネルギー固有生成ベースラインに対して評価した。 実験結果から,SynEnergyは平均12.21%,下流品質2.96%の異常保存忠実度を向上し,ベースラインに比べて総合的な生成忠実度を維持した。

関連論文リスト

• Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
  高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。 限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。 汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-09T06:52:03Z)
• GREAT: Generalizable Representation Enhancement via Auxiliary Transformations for Zero-Shot Environmental Prediction [27.332543340013814]
  補助変換(GREAT)による一般化可能な表現の促進 GREATは、利用可能なデータセットを効果的に拡張し、完全に見えない地域での予測を改善するフレームワークである。 米国東部の6つの生態学的に多様な流域におけるGREATの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-17T15:11:03Z)
• Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
  まず,Wangらによって提案された合成データの再生と公開を行った。 合成データがモデル一般化をどのように改善するかを批判的に検討する。 本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-09-07T19:28:52Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Evaluating Privacy-Utility Tradeoffs in Synthetic Smart Grid Data [9.927400227483428]
  4つの合成データ生成手法の比較評価を行った。 我々は,分類ユーティリティ,流通忠実度,プライバシリークを評価した。 これらの知見は、プライバシ保護、データ駆動型エネルギーシステムを開発するための構造化生成モデルの可能性を強調している。
  論文  参考訳（メタデータ） (2025-05-20T10:46:29Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• A synthetic dataset of French electric load curves with temperature conditioning [0.0]
  本稿では,条件付き潜伏拡散によって生成された新しい合成負荷曲線データセットを提案する。 また, 発電に使用する契約電力, 使用時間, 局部温度も提供する。
  論文  参考訳（メタデータ） (2025-04-18T19:28:49Z)
• Second FRCSyn-onGoing: Winning Solutions and Post-Challenge Analysis to Improve Face Recognition with Synthetic Data [104.30479583607918]
  第2回FRCSyn-onGoingチャレンジは、CVPR 2024で開始された第2回顔認識チャレンジ(FRCSyn)に基づいている。 我々は、顔認識における現在の課題を解決するために、個々のデータと実際のデータの組み合わせの両方で合成データの利用を検討することに重点を置いている。
  論文  参考訳（メタデータ） (2024-12-02T11:12:01Z)
• Synthetic Data Generation for Residential Load Patterns via Recurrent GAN and Ensemble Method [12.161170324762645]
  我々は,高忠実性合成住宅負荷データを生成するために,ERGAN(Ensemble Recurrent Generative Adversarial Network)フレームワークを開発した。 開発したERGANは, 様々な家庭で多様な負荷パターンを捕捉し, 生成した合成データの現実性と多様性を向上させる。
  論文  参考訳（メタデータ） (2024-10-20T12:33:38Z)
• Fully Embedded Time-Series Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Networks)は、モデル化されているデータの基盤となる分布に適合する合成データを生成する。 実値の時系列データの場合、これはデータの静的な分布を同時にキャプチャする必要があるだけでなく、潜在的な時間的地平線に対するデータの完全な時間的分布も同時に取得する必要があることを意味する。 FETSGANでは、全シーケンスはSeq2seqスタイルの逆自動エンコーダ(AAE)を使用して、ジェネレータのサンプリング空間に直接変換される。
  論文  参考訳（メタデータ） (2023-08-30T03:14:02Z)
• CasTGAN: Cascaded Generative Adversarial Network for Realistic Tabular Data Synthesis [0.4999814847776097]
  近年,GAN(Generative Adversarial Network)が注目されている。 合成データの妥当性と基礎となるプライバシーに関する懸念は、十分に対処されていない主要な課題を表している。
  論文  参考訳（メタデータ） (2023-07-01T16:52:18Z)
• Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
  そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。 両手法の有効性とロバスト性を実証的に示す。 我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
  論文  参考訳（メタデータ） (2022-05-12T17:03:57Z)

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。