論文の概要: EvEMTBench: An Open Benchmark for Machine Learning in Power System Protection
- arxiv url: http://arxiv.org/abs/2609.28149v1
- Date: Wed, 23 Sep 2026 14:05:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.056141
- Title: EvEMTBench: An Open Benchmark for Machine Learning in Power System Protection
- Title（参考訳）: EvEMTBench: 電力系統保護における機械学習のためのオープンベンチマーク
- Abstract要約: EvEMTBenchは、機械学習ベースの電力システム保護を評価するための、オープンで実行可能でバージョン管理されたベンチマークである。
12の保護機能とイベント分析機能を定義し、20-345 kVの4つのグリッドに24のスコアリングされたタスクをインスタンス化する。
可観測性条件を越えた構造化評価、事前定義された分布シフト、ゼロショットと微調整のクロスグリッド転送をサポートする。
- 参考スコア（独自算出の注目度）: 5.816867726527929
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Studies of machine-learning-based power system protection are difficult to compare because task definitions, measurement access, data partitions, metrics, and generalization conditions often differ. EvEMTBench addresses this gap with an open, executable, and versioned benchmark that fixes these evaluation choices while leaving model design open. Across four grids spanning 20-345 kV, it defines 12 protection and event-analysis functions instantiated as 24 scored tasks and supports structured evaluation across observability conditions, predefined distribution shifts, and zero-shot and fine-tuned cross-grid transfer. Committed partitions, leakage controls, and reproducible reporting provide a common basis for comparing future methods. A reference evaluation spanning trivial, conventional, feature-based, and deep-learning baselines shows that wider observability is not uniformly beneficial, shifted conditions can reveal failures not apparent in-distribution, and cross-grid transfer is substantially stronger for fault detection than for fault localization. Protection-relevant diagnostics identify failure modes not apparent from primary metrics alone. EvEMTBench therefore makes generalization in machine-learning-based protection an explicit and reproducible evaluation problem.
- Abstract（参考訳）: 機械学習に基づく電力系統保護の研究は、タスク定義、計測アクセス、データ分割、メトリクス、一般化条件がしばしば異なるため、比較が難しい。
EvEMTBenchはこのギャップを、オープンで実行可能でバージョン管理されたベンチマークで解決する。
20-345 kVにまたがる4つのグリッドにまたがって、24のタスクとしてインスタンス化された12の保護とイベント分析機能を定義し、可観測性条件、事前定義された分布シフト、ゼロショットおよび微調整のクロスグリッド転送を含む構造化評価をサポートする。
コミットされたパーティション、リーク制御、再現可能なレポートは、将来の方法を比較する共通の基盤を提供する。
簡単な,従来型,特徴ベース,ディープラーニングベースラインにまたがる基準評価では,より広い観測性は均一に有用ではなく,変化した条件は,分布が明らかでない障害を明らかにし,クロスグリッド転送は断層検出において断層局所化よりもはるかに強いことが示されている。
保護関連診断は、一次指標だけでは明らかでない障害モードを特定する。
したがって、EvEMTBenchは機械学習に基づく保護を明示的で再現可能な評価問題として一般化する。
関連論文リスト
- Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - DCS: A Unified Conditional Sensitivity Framework for Cross-Modal Copyright Infringement Detection [0.0]
本研究は,著作権侵害の証拠を条件付き分散シフトとして扱う,統合されたポストホック検出フレームワークを開発する。
保護対象は、その目標がトレーニングプロセスに含まれるか、または取り除かれた場合、整列条件下でのモデルの振る舞いが測定可能に変更されるかどうか疑わしい。
このフレームワークは、リッジ規則化線形回帰、条件付き拡散モデル、自己回帰言語モデル、マルチモーダルモデルのためにインスタンス化されている。
論文 参考訳（メタデータ） (2026-07-24T07:00:44Z) - Learning to Assess the Reliability of Number-of-Runs Estimation in Stochastic Optimization [3.9407886544063384]
本研究では,近年のオンライン実験を学習ベースで拡張し,ハンドリングと歪度に基づく対称性チェックを用いて,必要な実行回数を適応的に推定する手法を提案する。
我々は,23個の統計量,エネルギーフリー,形状および安定性の分類器を訓練し,少数クラスのリコールによる誤推定の検出を優先し,ラン数推定が信頼できるかどうかを推定する。
その結果,不確実な推定値の信頼性を高いマイノリティクラスのリコールで検出できるが,固定構成におけるデータ多様性の制限により性能は制限されている。
論文 参考訳（メタデータ） (2026-05-27T11:08:19Z) - Conditional Attribution for Root Cause Analysis in Time-Series Anomaly Detection [13.555771273974697]
本稿では,文脈的に類似したシステム状態に対する異常を記述した条件属性フレームワークを提案する。
本手法は,異常観測を条件とした代表例を検索し,依存関係の保存と運用上の意味のある説明を可能にする。
SWaTとベンチマークの実験により、提案手法は複数の異常検出モデルにおける根本原因同定精度、時間的局所化、ロバスト性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） (2026-04-19T21:01:52Z) - Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。
この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
論文 参考訳（メタデータ） (2026-04-14T19:32:55Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - Learning to Pay Attention: Unsupervised Modeling of Attentive and Inattentive Respondents in Survey Data [0.14323566945483493]
注意点検などの従来の安全対策は、コストが高く、反応性があり、一貫性がないことが多い。
補完的な教師なしビューを用いた不注意検出のための統一型ラベルフリーフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-02T22:11:51Z) - Generative Modeling and Decision Fusion for Unknown Event Detection and Classification Using Synchrophasor Data [9.871276314615447]
本稿では, 生成モデル, スライドウインドウ時間処理, 決定融合を統合し, 堅牢なイベント検出と分類を実現する新しいフレームワークを提案する。
実験結果は、最先端の精度、機械学習、ディープラーニング、エンベロープベースのベースラインを上回ることを示す。
論文 参考訳（メタデータ） (2025-09-26T18:04:03Z) - TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。
キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
論文 参考訳（メタデータ） (2025-04-20T09:20:55Z) - When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。
deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。
カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文 参考訳（メタデータ） (2023-07-06T04:13:57Z)
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。