論文の概要: A Comparative Study of Graph Representations for GNN-Based Power Grid Control in L2RPN

• arxiv url: http://arxiv.org/abs/2609.02538v1
• Date: Wed, 02 Sep 2026 12:50:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.335154
• Title: A Comparative Study of Graph Representations for GNN-Based Power Grid Control in L2RPN
• Title（参考訳）: L2RPNにおけるGNN電力グリッド制御のためのグラフ表現の比較検討
• Abstract要約: 本稿では,L2RPN(Learning to Run a Power Network)環境におけるトポロジ制御のためのグラフ表現の制御実験を行った。 その結果,グラフの複雑さとタスクの粒度とのマッチングは,表現豊かさの最大化よりも重要であり,大規模に制御された表現研究の重要性を強調した。
• 参考スコア（独自算出の注目度）: 4.9058221615757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph construction is a critical but underexamined design choice in deep reinforcement learning for power grid control. We present a controlled experimental comparison of different graph representations, including physical topology, electrical-sensitivity, and hybrid variants for topology control in the Learning to Run a Power Network (L2RPN) environment. Our findings indicate that matching graph complexity to task granularity is more important than maximizing representational richness, and highlight the importance of controlled representation studies at scale.
• Abstract（参考訳）: グラフ構築は電力グリッド制御のための深層強化学習における重要な設計選択であるが、過小評価される設計選択である。 本稿では,L2RPN(Learning to Run a Power Network)環境におけるトポロジ制御のための物理トポロジ,電気感度,ハイブリッドなど,異なるグラフ表現の制御実験を行った。 その結果,グラフの複雑さとタスクの粒度とのマッチングは,表現豊かさの最大化よりも重要であり,大規模に制御された表現研究の重要性を強調した。

関連論文リスト

• Limit Analysis of Graph Neural Networks with Wireless Conflict Graphs [81.39865232674413]
  グラフニューラルネットワーク(GNN)は、無線リソース割り当てのための強力なツールとして登場した。 この研究は、スパースランダム幾何グラフ(RGGs)から得られるグラフ上のGNNの転送可能性に関する理論的結果を確立する。
  論文  参考訳（メタデータ） (2026-06-02T15:42:14Z)
• Exploring the impact of adaptive rewiring in Graph Neural Networks [0.0]
  本稿では,グラフニューラルネットワーク(GNN)における正規化の一形態としてスペーシフィケーション手法について検討し,高いメモリ使用量と計算コストに対処する。 ネットワークサイエンスと機械学習の技法を用いて、実世界のアプリケーションにおけるGNNの効率を向上させる。
  論文  参考訳（メタデータ） (2026-02-11T11:34:43Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• Graph Neural Networks for Transmission Grid Topology Control: Busbar Information Asymmetry and Heterogeneous Representations [0.07646713951724009]
  トポロジー制御は混雑を緩和するための魅力的な手法であるが、従来のトポロジー発見のアプローチは実用的応用には遅すぎることが証明されている。 最近の研究は機械学習(ML)を効率的な代替手段として重視している。 本研究では,グラフ表現がトポロジ制御におけるGNNの有効性に与える影響について検討した。
  論文  参考訳（メタデータ） (2025-01-13T10:31:36Z)
• Graph Reinforcement Learning for Power Grids: A Comprehensive Survey [1.3124421498970822]
  再生可能エネルギーと分散型発電の台頭は、従来の方法の限界を克服するための新しいアプローチを必要とする。 グラフニューラルネットワークは、グラフ構造化データから学ぶことができるため、有望である。 本稿では,グラフ強化学習が電力グリッドのユースケースにおける表現学習と意思決定をどのように改善するかを概説する。
  論文  参考訳（メタデータ） (2024-07-05T14:07:15Z)
• Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet Energy [103.74640329539389]
  特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。 我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。 本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
  論文  参考訳（メタデータ） (2023-05-21T08:15:55Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• A Graph Policy Network Approach for Volt-Var Control in Power Distribution Systems [11.196936903669386]
  ボルトバー制御(VVC)は、電力系統のアクチュエータを制御することで、健全な状態下での電力分配システムの運用の問題である。 本稿では、RLとグラフネットワークを組み合わせたフレームワークを提案し、グラフベースのポリシーの利点と限界について検討する。
  論文  参考訳（メタデータ） (2021-09-24T16:55:41Z)
• Power to the Relational Inductive Bias: Graph Neural Networks in Electrical Power Grids [1.732048244723033]
  いくつかの重要な点において、電力網とは異なるグラフを含むベンチマークによって駆動されるGNN研究の間にはギャップがあることを論じる。 このギャップを, (i) 電力グリッドグラフデータセットを帰納的設定で定義し, (ii) グラフ特性の探索的解析を行い, (iii) 実世界の電力グリッドにおける状態推定の具体的な学習課題に関する実証的研究を行った。
  論文  参考訳（メタデータ） (2021-09-08T12:56:00Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。