論文の概要: Decision-Focused Learning for Cyber-Physical Risk-Aware Power Grid Operations

• arxiv url: http://arxiv.org/abs/2610.13853v1
• Date: Fri, 09 Oct 2026 17:02:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.694526
• Title: Decision-Focused Learning for Cyber-Physical Risk-Aware Power Grid Operations
• Title（参考訳）: サイバー物理リスクを考慮した電力グリッド運用のための意思決定型学習
• Abstract要約: 提案フレームワークは,機械学習の予測誤差を電力グリッド操作型サイバー物理リスクコストに変換する。 Industrial Control System (ICS) Cyber Attack と Sherlock の2つの電力グリッド運用データセットの実験結果から,提案手法は従来手法と比較して電力グリッド運用コストを向上することを示した。
• 参考スコア（独自算出の注目度）: 0.509780930114934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power grid cyber-physical security requires intrusion detection methods that account for the operational consequences of detection errors. However, the existing intrusion detection approaches primarily focus on the predictive performance of learning algorithms, while downstream operational costs are often optimized independently, which can lead to inferior operational performance. To help alleviate this problem, we propose a novel optimization-learning cyber-physical-risk-informed framework that communicates iteratively to minimize power grid operational costs. This framework translates machine learning prediction errors into power grid operational cyber-physical-risk costs. Experimental results on two power grid operation datasets, Industrial Control System (ICS) Cyber Attack and Sherlock, show that the proposed approach improves power grid operation costs compared with the traditional approach.
• Abstract（参考訳）: 電力グリッドのサイバー物理セキュリティは、検出エラーの操作上の結果を説明する侵入検知方法を必要とする。 しかし、既存の侵入検出アプローチは主に学習アルゴリズムの予測性能に重点を置いており、下流の運用コストは独立して最適化されることが多く、運用性能が劣る可能性がある。 この問題を軽減するために,電力網運用コストを最小限に抑えるために反復的に通信を行う,新しい最適化学習型サイバー物理リスクインフォームドフレームワークを提案する。 このフレームワークは、機械学習予測エラーを電力グリッド運用によるサイバー物理リスクコストに変換する。 Industrial Control System (ICS) Cyber Attack と Sherlock の2つの電力グリッド運用データセットの実験結果から,提案手法は従来手法と比較して電力グリッド運用コストを向上することを示した。

関連論文リスト

• Efficient Disruption of Criminal Networks through Multi-Objective Genetic Algorithms [3.6275547549769507]
  シチリア・マフィアのような犯罪ネットワークは、公共の安全、国家の安全、経済の安定に重大な脅威をもたらす。 ネットワークの隠蔽のため、影響力のある個人やキープレーヤーを排除することに焦点を当てた時代遅れのディスラプション手法は、効果がないことが証明されている。 本研究では,重み付きSum Genetic Algorithm (WS-GA) や非目的のSorting Genetic Algorithm II (NSGA-II) のような多元的フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-27T06:01:24Z)
• Leveraging A New GAN-based Transformer with ECDH Crypto-system for Enhancing Energy Theft Detection in Smart Grid [16.031989793237152]
  分割学習は、エネルギー盗難を特定するための有望な機械学習技術である。 従来の分割学習アプローチは、プライバシー漏洩攻撃に弱い。 本稿では, GAN-Transformer を用いた分割学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T03:41:38Z)
• Neural Active Learning Beyond Bandits [69.99592173038903]
  ストリームベースとプールベースの両方のアクティブラーニングをニューラルネットワーク近似を用いて検討する。 ストリームベースおよびプールベースアクティブラーニングのためのニューラルネットワークを新たに設計したエクスプロイトと探索に基づく2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-18T21:52:14Z)
• FedDiSC: A Computation-efficient Federated Learning Framework for Power Systems Disturbance and Cyber Attack Discrimination [1.0621485365427565]
  本稿では,フェデレート学習に基づくプライバシ保護と通信効率の高い攻撃検出フレームワークであるFedDiSCを提案する。 我々は、電力システムとサイバーセキュリティの異常を正確に検出するために、表現学習に基づくDeep Auto-Encoderネットワークを提案する。 提案手法を現実のサイバー攻撃検出のタイムラインに適応させるために,DP-SIGNSGDとして知られる勾配プライバシー保護量子化方式を利用する。
  論文  参考訳（メタデータ） (2023-04-07T13:43:57Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
  電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。 具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。 本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:50:34Z)
• Physics-Informed Neural Networks for Minimising Worst-Case Violations in DC Optimal Power Flow [0.0]
  物理インフォームドニューラルネットワークは、基礎となる物理システムの既存のモデルを利用して、少ないデータで高精度な結果を生成する。 このようなアプローチは、計算時間を劇的に削減し、電力システムにおける計算集約的なプロセスの優れた見積を生成するのに役立つ。 このようなニューラルネットワークは、電力系統における安全クリティカルな応用に適用でき、電力系統運用者の間で高い信頼関係を構築することができる。
  論文  参考訳（メタデータ） (2021-06-28T10:45:22Z)
• Learning-Based Vulnerability Analysis of Cyber-Physical Systems [10.066594071800337]
  本研究は,サイバー物理システムの脆弱性解析におけるディープラーニングの利用に焦点を当てる。 我々は,低レベル制御が拡張カルマンフィルタ(ekf)や異常検出器(anomaly detector)などに基づくcpsにおいて広く用いられている制御アーキテクチャを考える。 潜在的なセンシング攻撃が持つ影響を分析することを容易にするため、学習可能な攻撃生成器の開発が目的である。
  論文  参考訳（メタデータ） (2021-03-10T06:52:26Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。