論文の概要: LLaTSA: Large Language Model-Aligned General-Purpose Transient Stability Analysis
- arxiv url: http://arxiv.org/abs/2609.14374v1
- Date: Sun, 13 Sep 2026 08:07:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.802763
- Title: LLaTSA: Large Language Model-Aligned General-Purpose Transient Stability Analysis
- Title（参考訳）: LLaTSA:大規模言語モデルに基づく汎用的過渡安定性解析
- Abstract要約: Uni-TSAは、チャネルに依存しないモデリングと事前訓練された大言語モデル(LLM)予測を組み合わせた汎用TSAフレームワークを導入した。
本稿では,汎用トラジェクトリベースTSAのためのLLM対応フレームワークであるLLaTSAを提案する。
複数のテストシステムのケーススタディでは、正確な軌道予測、信頼性の高い安定性の判別、および目に見えないシナリオにまたがる効果的な適応が示されている。
- 参考スコア（独自算出の注目度）: 21.194363731677655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic trajectory prediction has become an important paradigm for data-driven transient stability analysis (TSA), yet most existing predictors remain system-specific and require substantial retraining when network configurations, generation mixes, or state-variable sets change. Uni-TSA introduced a general-purpose TSA framework that combines channel-independent modeling with a pretrained large language model (LLM) predictor. Nevertheless, its application to heterogeneous systems is limited by ambiguity in short observations, a mismatch between numerical trajectories and LLM embeddings, neglected coupling among state variables, and the high inference cost of dense backbones. This paper proposes LLaTSA, an LLM-aligned framework for general-purpose trajectory-based TSA. LLaTSA first incorporates operating conditions, disturbance attributes, and state-variable identity through a structured textual prefix. It then aligns normalized temporal patches with a TSA-related vocabulary before processing them with a pretrained sparse decoder-only mixture-of-experts (MoE) backbone. A state-variable coupling module captures coordinated post-fault evolution, while teacher forcing and rollout-based training support iterative long-horizon prediction. Case studies on multiple test systems demonstrate accurate trajectory prediction, reliable stability discrimination, and effective adaptation across unseen scenarios.
- Abstract（参考訳）: 動的軌道予測は、データ駆動過渡安定解析(TSA)において重要なパラダイムとなっているが、既存の予測器の多くはシステム固有のままであり、ネットワーク構成、生成ミックス、状態可変セットの変更時にかなりの再トレーニングを必要とする。
Uni-TSAは、チャネルに依存しないモデリングと事前訓練された大言語モデル(LLM)予測を組み合わせた汎用TSAフレームワークを導入した。
それでも、その不均一系への応用は、短い観測におけるあいまいさ、数値軌道とLLM埋め込みのミスマッチ、状態変数間の結合の無視、高密度バックボーンの推論コストによって制限されている。
本稿では,汎用トラジェクトリベースTSAのためのLLM対応フレームワークであるLLaTSAを提案する。
LLaTSAはまず、構造化テキストプレフィックスを通じて、動作条件、障害属性、および状態可変IDを組み込む。
その後、正常化された時間パッチをTSA関連の語彙と整列し、事前訓練されたスパースデコーダのみのミックス・オブ・エキスパート(MoE)バックボーンで処理する。
状態変数結合モジュールは、調整後の進化をキャプチャし、教師の強制とロールアウトベースのトレーニングは、反復的な長距離予測をサポートする。
複数のテストシステムのケーススタディでは、正確な軌道予測、信頼性の高い安定性の判別、および目に見えないシナリオにまたがる効果的な適応が示されている。
関連論文リスト
- Parameter-Efficient Adaptation of Pretrained Language Models for Time-Series Forecasting [2.141079906482723]
我々は,事前訓練したGPT-2バックボーンの埋め込み空間に直接,固定長の時系列パッチを投影する。
我々は, (i) 表現戦略 (連続埋め込みとテキストシリアライゼーション) , (ii) 適応体制 (部分的あるいは完全微調整) および (iv) 入力コンテキスト長の影響を解析した。
論文 参考訳（メタデータ） (2026-09-14T10:30:59Z) - SAW: Stage-Aware Dynamic Weighting for Multi-Objective Reinforcement Learning in Large Language Models [66.92079232778707]
本稿では,アルゴリズムに依存しない軽量な動的重み付け機構として,SAW(Stage-Aware Dynamic Weighting)を提案する。
SAWは、各次元の報酬または利益の貢献を、バッチ内の相対的な情報性によって重み付けする。
ツールコールとテキスト要約タスクの実験により、SAWはトレーニング効率と最終的なパフォーマンスの両方を一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-06-05T10:00:19Z) - Unlocking Feature Learning in Gated Delta Networks at Scale [52.705562336559446]
大規模言語モデルの訓練とスケーリングは膨大な計算資源を必要とする。
我々はGated Delta Networkのスケーリングルールを導出する。
言語モデル事前学習の実験により、我々の構成が安定した学習速度転送を可能にすることが確認された。
論文 参考訳（メタデータ） (2026-06-02T08:45:24Z) - Quantifying the Pre-training Dividend: Generative versus Latent Self-Supervised Learning for Time Series Foundation Models [5.3565231231826695]
自己教師型学習(SSL)のビジョンとNLPは、時系列への急速な採用を動機付けている。
さまざまな時間的タスクにまたがってSSLが付加する価値である“事前トレーニング配当”を評価するためのフレームワークを確立します。
我々の分析では、事前学習配当は高度に非対称であり、異常検出と分類では最大375%の利得が得られるが、予測には限界がある。
論文 参考訳（メタデータ） (2026-05-19T07:13:20Z) - U-STS-LLM A Unified Spatio-Temporal Steered Large Language Model for Traffic Prediction and Imputation [6.194596351746244]
U-STS-LLM は,時空間操舵 LLM 上に構築された統合フレームワークである。
我々の中心となる革新は動的S-Loコンカレントアテンションバイアスジェネレータであり、過渡的なノイズ状態を持つ永続関数グラフを合成する。
U-STS-LLMは、長距離予測と高損失レート計算の両方において、新しい最先端性能を確立することを実世界のセル・データセットで実証した。
論文 参考訳（メタデータ） (2026-05-12T08:16:22Z) - SAE as a Crystal Ball: Interpretable Features Predict Cross-domain Transferability of LLMs without Training [70.84726713548099]
SAEベースのTransferability Score(STS)は、トレーニング後のTransferabilityを予測するための新しい指標である。
STSは教師付き微調整の伝達可能性を正確に予測し,実際の性能変化とともに0.7以上のピアソン相関係数を達成できることを示す。
論文 参考訳（メタデータ） (2026-03-03T12:01:09Z) - Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。
我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
論文 参考訳（メタデータ） (2025-12-02T14:42:54Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - A Wireless Foundation Model for Multi-Task Prediction [50.21098141769079]
多様な予測区間をサポートする無線ネットワークにおけるマルチタスク予測のための統合基盤モデルを提案する。
大規模データセットをトレーニングした後、提案した基礎モデルは、新しいタスクにおいて、目に見えないシナリオとゼロショットのパフォーマンスに強力な一般化を示す。
論文 参考訳（メタデータ） (2025-07-08T12:37:55Z) - Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。
本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。
STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。
様々な密集した予測タスクと多様な意味クラス予測を統一する。
論文 参考訳（メタデータ） (2025-05-18T07:39:17Z) - Uncertainty-Aware Trajectory Prediction via Rule-Regularized Heteroscedastic Deep Classification [3.126303871979975]
ShiFT (Spectral Heteroscedastic Informed Forecasting for Trajectories) は、よく校正された不確実性モデリングと情報前処理を組み合わせた新しいフレームワークである。
我々のモデルは、本質的に不確実性が高い交差点のような複雑なシナリオで優れている。
論文 参考訳（メタデータ） (2025-04-17T17:24:50Z)
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。