論文の概要: Physics-Aware Random Walk Fingerprints for Scalable Power Grid Graph Classification
- arxiv url: http://arxiv.org/abs/2609.04943v1
- Date: Fri, 04 Sep 2026 09:52:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.996601
- Title: Physics-Aware Random Walk Fingerprints for Scalable Power Grid Graph Classification
- Title（参考訳）: スケーラブルパワーグリッドグラフ分類のための物理対応ランダムウォークフィンガープリント
- Abstract要約: パワーシステムのためのマルチチャネル物理対応ランダムウォークフィンガープリント(MC-PA-RWF)。
物理エッジ状態をランダムな伝搬伝播に導入する軽量グラフレベル表現フレームワーク。
MC-PA-RWF+は98.04% - 99.32%の精度で達成し、最強のGNNベースラインを1.60-5.84ポイント上回る故障クラスF1を改善する。
- 参考スコア（独自算出の注目度）: 1.0736626320566707
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent benchmarks such as PowerGraph provide large collections of power-grid graphs for cascading-failure classification. Graph neural networks (GNNs) achieve strong predictive performance on this task, but typically require end-to-end training and model-specific tuning, while their latent representations can be difficult to relate to physically meaningful propagation patterns. Random Walk Fingerprints (RWF) offer a scalable and interpretable alternative, but existing variants primarily emphasise topology and node-level information, leaving grid-relevant operational edge states in the walk dynamics. We propose Multi-Channel Physics-Aware Random Walk Fingerprints (MC-PA-RWF) for power systems, a lightweight graph-level representation framework that introduces physical edge states into random-walk propagation. The method constructs multiple edge-weighted channels from domain-relevant attributes, extracts a channel-specific fingerprint from each weighted graph, and concatenates the resulting vectors into a compact representation. Experiments on three \textit{PowerGraph} benchmark systems show substantial improvements over topology-only RWF and competitive balanced accuracy against strong GNN baselines, including Graph Convolutional Networks (GCN), Graph Attention Networks (GAT), Graph Isomorphism Networks with edge features (GINE), and Transformer-based Graph Convolutional Networks (TransformerConv). At the largest evaluated settings, the node-edge extension MC-PA-RWF+ achieves around 98.04% - 99.32% balanced accuracy and improves failure-class F1 over the strongest GNN baseline by 1.60 -- 5.84 percentage points, with statistically significant gains across all three systems.
- Abstract（参考訳）: PowerGraphなどの最近のベンチマークでは、カスケード障害分類のためのパワーグリッドグラフの大規模なコレクションが提供されている。
グラフニューラルネットワーク(GNN)は、このタスクで強い予測性能を達成するが、通常はエンドツーエンドのトレーニングとモデル固有のチューニングを必要とする。
Random Walk Fingerprints (RWF) はスケーラブルで解釈可能な代替手段を提供するが、既存の変種は主にトポロジとノードレベルの情報に重点を置いており、グリッド関連操作エッジ状態をウォークダイナミクスに残している。
本稿では,マルチチャネル物理対応ランダムウォークフィンガープリント(MC-PA-RWF)を,ランダムウォーク伝搬に物理エッジ状態を導入する軽量グラフレベル表現フレームワークとして提案する。
この方法は、ドメイン関連属性から複数のエッジ重み付きチャネルを構築し、各重み付きグラフからチャネル固有の指紋を抽出し、結果として得られるベクトルをコンパクトな表現に結合する。
グラフ畳み込みネットワーク(GCN)、グラフアテンションネットワーク(GAT)、エッジ機能付きグラフアイソモーフィズムネットワーク(GINE)、トランスフォーマーベースのグラフ畳み込みネットワーク(TransformerConv)などである。
最大の評価設定では、ノードエッジ拡張MC-PA-RWF+は約98.04% - 99.32%の精度で達成され、最強のGNNベースラインよりも1.60 -- 5.84ポイントの障害クラスF1が改善され、3つのシステム間で統計的に有意な利得が得られた。
関連論文リスト
- Subgraph Filtering for Fair Graph Neural Networks [4.075849063907074]
グラフニューラルネットワーク(GNN)は、ノードの特徴から機密属性を除外しても不公平な振る舞いを示す。
フェアグラフニューラルネットワーク(SF-GNN)のためのサブグラフフィルタリングを提案する。
SF-GNNは、感度の高いホモフィリーと構造的伝搬増幅器を組み合わせることにより、バイアスが引き起こすエッジを識別する。
次に、エッジフィルタリングを各メッセージパッシングステップに組み込んで、残りのグラフ構造を保存しながら、これらのエッジを選択的にダウンウェイトまたは削除する。
論文 参考訳（メタデータ） (2026-08-26T22:40:31Z) - Generative Diffusion Models of Stochastic Graph Signals [74.4097723209053]
本稿では,条件付きグラフ信号生成モデルの問題に取り組み,単一の拡散フレームワークを用いてそれらに取り組む。
グラフトポロジとノード機能側情報に基づいて直接条件付きグラフ信号を描画するグラフニューラルネットワーク(GNN)によりパラメータ化された逆拡散過程を学習する。
本稿では,株価予測と最適無線リソース割り当てという2つの生成課題について,両領域で広範囲に数値計算を行った。
論文 参考訳（メタデータ） (2026-07-07T22:02:13Z) - Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。
G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。
それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
論文 参考訳（メタデータ） (2025-05-22T02:16:34Z) - Efficient Topology-aware Data Augmentation for High-Degree Graph Neural Networks [2.7523980737007414]
高次グラフ(HDG)上のグラフニューラルネットワーク(GNN)のための効率的かつ効果的なフロントマウントデータ拡張フレームワークであるTADを提案する。
内部では、(i)構造埋め込みによる機能拡張と(ii)トポロジと属性対応グラフのスパース化という、2つの重要なモジュールが含まれている。
TADAは、ノード分類の観点から8つの実ホモ親和性/ヘテロ親和性HDG上でのメインストリームGNNモデルの予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-06-08T14:14:19Z) - Graph Transformers for Large Graphs [57.19338459218758]
この研究は、モデルの特徴と重要な設計制約を識別することに焦点を当てた、単一の大規模グラフでの表現学習を前進させる。
この研究の重要な革新は、局所的な注意機構と組み合わされた高速な近傍サンプリング技術の作成である。
ogbn-products と snap-patents の3倍の高速化と16.8%の性能向上を報告し、ogbn-100M で LargeGT を5.9% の性能改善で拡張した。
論文 参考訳（メタデータ） (2023-12-18T11:19:23Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Towards Better Generalization with Flexible Representation of
Multi-Module Graph Neural Networks [0.27195102129094995]
ランダムグラフ生成器を用いて,グラフサイズと構造特性がGNNの予測性能に与える影響について検討する。
本稿では,GNNが未知のグラフに一般化できるかどうかを決定する上で,平均ノード次数が重要な特徴であることを示す。
集約された入力に対して単一の正準非線形変換を一般化することにより、ネットワークが新しいグラフに柔軟に対応可能なマルチモジュールGNNフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-14T12:13:59Z) - Power Flow Balancing with Decentralized Graph Neural Networks [4.812718493682454]
汎用グリッド内の電力フローのバランスをとるために,グラフニューラルネットワーク(GNN)に基づくエンドツーエンドフレームワークを提案する。
提案するフレームワークは,ディープラーニングに基づく他の解法と比較して効率的であり,グリッドコンポーネントの物理量だけでなくトポロジにも頑健である。
論文 参考訳（メタデータ） (2021-11-03T12:14:56Z) - Distance Encoding: Design Provably More Powerful Neural Networks for
Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。
GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。
より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。
本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文 参考訳（メタデータ） (2020-08-31T23:15:40Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳（メタデータ） (2020-03-08T13:02:15Z)
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。