論文の概要: Mycelium: A Generalizable Cross-Grid Multi-Task Model for Electrical Distribution Systems

• arxiv url: http://arxiv.org/abs/2609.33120v1
• Date: Sun, 27 Sep 2026 02:40:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 10:17:56.754555
• Title: Mycelium: A Generalizable Cross-Grid Multi-Task Model for Electrical Distribution Systems
• Title（参考訳）: Mycelium:電気配電システムの一般化可能なクロスグリッドマルチタスクモデル
• Abstract要約: 電配電網の動作はスパース、ノイズ、不完全な時系列測定から異種ネットワークをまたいだ推論を必要とする。 我々は,ネットワーク位置と名目位相方向を符号化する構造を考慮した通信エッジと電気参照機能を備えたグラフ変換器Myceliumを提案する。 マイセリウムは、最も報告されたベンチマーク指標でタスク固有の神経ベースラインより優れていることが観察される。
• 参考スコア（独自算出の注目度）: 0.26097841018267615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrical distribution grid operations require inference across heterogeneous networks from sparse, noisy, and incomplete time series measurements. In this work, we identify challenges and explore solutions towards a unified model that can perform diverse tasks grounded in the physics of the electric grid and generalize to unseen distribution networks. We define a unified grid ontology that represents variable sized distribution networks as heterogeneous graphs while preserving native topology, asset types, and electrical relationships across networks. We develop a physics based data simulation pipeline that combines reference and procedurally generated distribution networks with network reconfigurations, fault scenarios, and configurable sensing conditions. We present Mycelium, a heterogeneous graph transformer with structure aware communication edges and electrical reference features that encode network position and nominal phase orientation, together with task specific temporal readouts which generate per task outputs. We train Mycelium on reference as well as synthetic grids, and study its generalization on benchmark networks completely excluded from training and validation. Mycelium is observed to outperform task specific neural baselines on most reported benchmark metrics. Architectural ablations and the aforementioned studies reveal Mycelium's capability to learn representations of the underlying physics which serves to enhance cross-task performance, thereby addressing a significant challenge in unified grid models.
• Abstract（参考訳）: 電配電網の動作はスパース、ノイズ、不完全な時系列測定から異種ネットワークをまたいだ推論を必要とする。 本研究では,電力網の物理に根ざした多様なタスクを遂行し,未知の分散ネットワークに一般化できる統一モデルへの挑戦と解決策を探究する。 ネットワーク間のネイティブトポロジ、アセットタイプ、電気的関係を保存しながら、可変サイズの分散ネットワークを異種グラフとして表現する統一グリッドオントロジーを定義する。 我々は、参照と手続き的に生成された分散ネットワークをネットワーク再構成、障害シナリオ、設定可能な検知条件と組み合わせた物理ベースのデータシミュレーションパイプラインを開発した。 我々は、ネットワーク位置と名目位相方向を符号化する構造を意識した通信エッジと電気参照機能を備えた異種グラフ変換器であるMyceliumと、タスク毎の出力を生成するタスク固有の時間的読み出しを提示する。 我々は、Myceliumを参照と合成グリッドでトレーニングし、トレーニングと検証から完全に除外されたベンチマークネットワーク上でのその一般化について研究する。 マイセリウムは、最も報告されたベンチマーク指標でタスク固有の神経ベースラインより優れていることが観察される。 アーキテクチャ上の改善と前述の研究により、マイセリウムはクロスタスク性能を向上させるために基礎となる物理学の表現を学習し、統一グリッドモデルにおける重要な課題に対処する能力を明らかにしている。

関連論文リスト

• 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)
• Identifying Super Spreaders in Multilayer Networks [0.6990493129893112]
  本稿では,グラフニューラルネットワークを利用して,そのようなネットワーク内のスーパースプレッダを識別する手法を提案する。 この目的のために、数百のネットワークにまたがる情報拡散をシミュレートしてデータセットを構築する。 我々のモデルであるTopSpreadersNetworkは、関係に依存しないエンコーダとカスタムアグリゲーション層で構成されています。
  論文  参考訳（メタデータ） (2025-05-27T10:14:14Z)
• Generic Multimodal Spatially Graph Network for Spatially Embedded Network Representation Learning [2.07180164747172]
  汎用マルチモーダル空間グラフ畳み込みネットワーク(GMu-SGCN)を開発した。 開発されたGMu-SGCNは、GraphSAGEモデルと比較してエッジ存在予測タスクの精度を37.1%向上させることができる。
  論文  参考訳（メタデータ） (2025-02-01T19:05:48Z)
• 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)
• On Optimizing the Communication of Model Parallelism [74.15423270435949]
  大規模モデル並列ディープラーニング(DL)における新しい重要なコミュニケーションパターンについて検討する。 クロスメッシュリシャーディングでは、シャードテンソルをソースデバイスメッシュから宛先デバイスメッシュに送信する必要がある。 本稿では、効率的な放送ベースの通信システムと「重複しやすい」パイプラインスケジュールという、クロスメシュ・リシャーディングに対処するための2つのコントリビューションを提案する。
  論文  参考訳（メタデータ） (2022-11-10T03:56:48Z)
• Topological Uncertainty: Monitoring trained neural networks through persistence of activation graphs [0.9786690381850356]
  産業アプリケーションでは、オープンワールド設定から得られるデータは、ネットワークがトレーニングされたベンチマークデータセットと大きく異なる可能性がある。 活性化グラフのトポロジ的特性に基づいて訓練されたニューラルネットワークを監視する手法を開発している。
  論文  参考訳（メタデータ） (2021-05-07T14:16:03Z)
• Network Embedding via Deep Prediction Model [25.727377978617465]
  本稿では,深層予測モデルを用いて構造化ネットワーク上での転送挙動を捕捉するネットワーク埋め込みフレームワークを提案する。 ネットワーク構造埋め込み層は、Long Short-Term Memory NetworkやRecurrent Neural Networkなど、従来の深部予測モデルに付加される。 ソーシャルネットワーク, 引用ネットワーク, バイオメディカルネットワーク, 協調ネットワーク, 言語ネットワークなど, さまざまなデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2021-04-27T16:56:00Z)
• Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
  ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。 結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
  論文  参考訳（メタデータ） (2020-06-22T12:46:44Z)
• Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
  グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。 本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。