論文の概要: A Unified Mamba--MoE Surrogate for Closed-Loop Simulation and Measurement-Window Forecasting of Inverter Transients

• arxiv url: http://arxiv.org/abs/2608.15051v1
• Date: Sat, 15 Aug 2026 05:35:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.173074
• Title: A Unified Mamba--MoE Surrogate for Closed-Loop Simulation and Measurement-Window Forecasting of Inverter Transients
• Title（参考訳）: インバータの閉ループシミュレーションと風速予測のための統一マンバ-MoEサロゲート
• Abstract要約: Mamba surrogateモデル(英語: Mamba surrogate model)は、Mambaアーキテクチャ上に構築された予測機械学習モデルである。 MoEルーティングはルータネットワークを使用して、データ依存の重み付けを専門作業(専門家)に割り当てる タスクコンディショニングとエキスパートルーティングを備えた単一のMambaバックボーンは、両方のタスクを処理する。
• 参考スコア（独自算出の注目度）: 6.049591882697069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a Mamba surrogate model with mixture-of-experts (MoE) routing to represent the transient dynamics of inverter-based resources. A Mamba surrogate model is a predictive machine learning model built on the Mamba architecture. MoE routing uses a router network to assign data-dependent weights to specialized subnetworks (experts). The resulting Mamba--MoE surrogate can perform two tasks: (i) closed-loop simulation and (ii) measurement-window forecasting of inverter transients. A single Mamba backbone with task conditioning and expert routing serves both tasks, replacing two separate specialists. Task-matched objectives fit each prediction form, and an adaptive conformal layer provides prediction intervals for both tasks. For the considered grid-following inverter, the unified surrogate model remains in the same low-error regime as a Mamba specialist pair while using 13% fewer parameters. The prediction intervals achieve 94--96% empirical mean marginal coverage across the two tasks. For transient dynamics---that is, beyond the vicinity of an equilibrium point---our surrogate model with MoE routing yields lower errors across all outputs in both tasks compared to a shared Mamba backbone without expert routing. A controller hardware-in-the-loop simulation validates our results and shows that adapting only the shared output head with limited measured data reduces held-out forecasting error.
• Abstract（参考訳）: 本稿では,インバータ資源の過渡的ダイナミクスを表現するため,Mamba surrogate model with Mix-of-experts (MoE) routingを提案する。 Mamba surrogateモデル(英語: Mamba surrogate model)は、Mambaアーキテクチャ上に構築された予測機械学習モデルである。 MoEルーティングはルータネットワークを使用して、データ依存の重み付けを専門のサブネットワーク(エキスパート)に割り当てる。 結果として生じるMamba--MoEサロゲートは2つのタスクを実行することができる。 (i)クローズドループシミュレーション 二 インバータトランジェントの測定風速予測 タスクコンディショニングとエキスパートルーティングを備えた単一のMambaバックボーンは、両方のタスクに対応し、2つの別々のスペシャリストを置き換える。 タスクマッチングされた目的は各予測形式に適合し、適応的な適合層は両方のタスクに対して予測間隔を提供する。 グリッド追従インバータを考えると、統一サロゲートモデルは13%少ないパラメータを使用しながら、Mambaスペシャリストペアと同じ低エラー状態のままである。 予測間隔は2つのタスクにまたがる実験的な平均限界カバレッジを94-96%達成する。すなわち、過渡的ダイナミクス-つまり、平衡点近傍の----------MOEルーティングを持つサーロゲートモデルは、専門家のルーティングを伴わない共有マンババックボーンと比較して、両方のタスクにおける全てのアウトプットの誤差を低くする。 制御器のハードウェア・イン・ザ・ループシミュレーションにより結果が検証され,共有出力ヘッドのみに限られたデータで適応させることで予測誤差が減少することを示す。

関連論文リスト

• On Sequence-to-Sequence Models for Automated Log Parsing [0.0]
  本研究の目的は、シーケンスモデリングアーキテクチャ、表現選択、シーケンス長、トレーニングデータの可用性が、自動ログ解析性能と計算コストにどのように影響するかを評価することである。 変換器は、平均相対編集距離が0.111、次いでMamba(0.145)、mono-LSTM(0.186)、bi-LSTM(0.265)となる。 全体として、Transformerは解析エラーを23.4%削減し、Mambaはデータや計算制約の下で強力な代替手段である。
  論文  参考訳（メタデータ） (2026-02-07T20:47:45Z)
• Can Mamba Learn In Context with Outliers? A Theoretical Generalization Analysis [88.05636819649804]
  MambaモデルはTransformerベースのモデルよりも計算上の優位性に大きく注目されている。 本稿では,一層マンバモデルのトレーニング力学に関する最初の理論的解析を行った。 マムバは、より多くのトレーニングを必要とするかもしれないが、線形変換器が許容できるしきい値を超える場合であっても、正確な予測を保っている。
  論文  参考訳（メタデータ） (2025-10-01T01:25:01Z)
• Trained Mamba Emulates Online Gradient Descent in In-Context Linear Regression [90.93281146423378]
  Mambaは、Long-Sequence Modelingのための線形複雑性を持つ効率的なTransformer代替品である。 最近の実証研究は、Mambaのテキスト内学習(ICL)がTransformersと競合していることを示している。 本稿では,線形回帰 ICL タスクにおける Mamba のトレーニングダイナミクスについて検討する。
  論文  参考訳（メタデータ） (2025-09-28T09:48:49Z)
• DC-Mamber: A Dual Channel Prediction Model based on Mamba and Linear Transformer for Multivariate Time Series Forecasting [6.238490256097465]
  現在の主流モデルは主にTransformerと新しいMambaをベースにしている。 DC-Mamber は、時系列予測のためのMamba と linear Transformer に基づく二重チャネル予測モデルである。 8つの公開データセットの実験では、DC-Mamberの既存のモデルよりも優れた精度が確認されている。
  論文  参考訳（メタデータ） (2025-07-06T12:58:52Z)
• Routing Mamba: Scaling State Space Models with Mixture-of-Experts Projection [88.47928738482719]
  線形状態空間モデル(SSM)は、シーケンスモデリングにおいて顕著なパフォーマンス向上を提供する。 Mambaのような最近の進歩は、入力依存のゲーティングとハードウェア対応の実装により、SSMをさらに強化している。 本稿では,線形射影の専門家による疎混合を用いてSSMパラメータをスケールする新しい手法であるRoM(Roing Mamba)を紹介する。
  論文  参考訳（メタデータ） (2025-06-22T19:26:55Z)
• DYNAMAX: Dynamic computing for Transformers and Mamba based architectures [2.5739385355356714]
  アーリーエグジット(EE)は、データサンプルに対する十分な予測信頼が達成されれば、推論を動的に終了させることで、計算コストとレイテンシを低減するための有望なアプローチを提供する。 DYNAMAXは、初期の出口機構のためにMambaアーキテクチャのユニークな特性を利用する最初のフレームワークである。
  論文  参考訳（メタデータ） (2025-04-29T16:38:15Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• Bi-Mamba+: Bidirectional Mamba for Time Series Forecasting [5.166854384000439]
  長期時系列予測(LTSF)は、将来のトレンドとパターンに関するより長い洞察を提供する。 近年,Mamba という新しい状態空間モデル (SSM) が提案されている。 入力データに対する選択的機能とハードウェア対応並列計算アルゴリズムにより、Mambaは予測性能と計算効率のバランスをとる大きな可能性を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:45:48Z)
• Is Mamba Effective for Time Series Forecasting? [30.85990093479062]
  時系列予測のための,S-Mamba(S-Mamba)というマンバモデルを提案する。 具体的には,各変数の時間点を線形層を介して自律的にトークン化する。 13の公開データセットの実験では、S-Mambaは計算オーバーヘッドを低く保ち、主要な性能を達成している。
  論文  参考訳（メタデータ） (2024-03-17T08:50:44Z)
• Task-customized Masked AutoEncoder via Mixture of Cluster-conditional Experts [104.9871176044644]
  Masked Autoencoder (MAE) は,モデル事前学習において有望な結果が得られる自己教師型学習手法である。 我々は、新しいMAEベースの事前学習パラダイム、Mixture of Cluster-conditional Experts (MoCE)を提案する。 MoCEは、クラスタ条件ゲートを使用して、各専門家にセマンティックなイメージのみをトレーニングする。
  論文  参考訳（メタデータ） (2024-02-08T03:46:32Z)
• DeGMix: Efficient Multi-Task Dense Prediction with Deformable and Gating Mixer [129.61363098633782]
  変形およびゲーティングミキサー(DeGMix)を用いた効率的なマルチタスク密度予測法を提案する。 提案したDeGMixはGFLOPを少なくし、現在のTransformerベースの競合モデルとCNNベースの競合モデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-08-10T17:37:49Z)

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。