論文の概要: Distributed Performance Boosting through Neural Control for Plug-and-Play Networks

• arxiv url: http://arxiv.org/abs/2610.23292v1
• Date: Fri, 16 Oct 2026 10:59:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.883148
• Title: Distributed Performance Boosting through Neural Control for Plug-and-Play Networks
• Title（参考訳）: プラグアンドプレイネットワークのニューラル制御による分散性能向上
• Abstract要約: プラグアンドプレイ操作における事前安定化システムの性能向上の問題に対処する。 我々は、最近提案された内部制御モデル(IMC)の原理に基づいて、パフォーマンスブースティングコントローラを構築した。
• 参考スコア（独自算出の注目度）: 0.9558392439655014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the problem of improving the performance of pre-stabilized networked systems subject to plug-and-play (PnP) operations, namely additions or removals of subsystems. While distributed baseline controllers can preserve stability after a PnP transition, augmenting them with expressive neural policies can invalidate the formal stability guarantees. To overcome this issue, we build on recently proposed Performance Boosting controllers based on the Internal Model Control (IMC) principle, which reduce closed-loop stability to a finite $\ell_2$-gain requirement on an auxiliary operator. In the distributed setting, this operator is formed by interconnecting local neural operators that exchange information only between neighboring subsystems. We then derive free parametrizations of this interconnection, namely explicit maps from unconstrained trainable variables to interconnected neural operators satisfying a prescribed network gain bound for every parameter value. The obtained distributed neural controller can therefore be trained by unconstrained gradient-based optimization without stability constraints or projection steps, while retaining the prescribed gain bound at every training iterate. We develop two complementary parametrizations. A neighbor-based compositional parametrization uses local coupling bounds, so that after a PnP event only subsystems whose bounds change need to update their gain parameters. A network-norm parametrization instead uses a bound on the overall coupling matrix and can reduce conservatism, at the price of requiring network-wide information. A PnP DC-microgrid case study shows that the proposed neural layer improves voltage transients under topology changes and load variations while preserving nominal closed-loop stability.
• Abstract（参考訳）: 本稿では,PnP (Plug-and-play) 操作を前提としたネットワークシステムの性能向上,すなわちサブシステムの追加や削除の問題に対処する。 分散ベースラインコントローラは、PnP遷移後の安定性を維持することができるが、表現力のあるニューラルポリシーでそれらを増強することで、正式な安定性保証を無効にすることができる。 この問題を解決するために、我々は最近提案された内部モデル制御(IMC)原理に基づくパフォーマンスブースティングコントローラを構築し、補助演算子上での有限$\ell_2$-gein要求に閉ループ安定性を低下させる。 分散環境では、この演算子は、隣接するサブシステム間でのみ情報を交換するローカルニューラルネットワーク演算子を相互接続することによって構成される。 次に、この相互接続の自由パラメトリゼーション、すなわち、パラメータ値毎に所定のネットワーク利得を満足する非制約のトレーニング可能な変数から相互接続されたニューラル演算子への明示的な写像を導出する。 したがって、得られた分散ニューラルコントローラは、各トレーニングイテレートで所定のゲインバウンドを保持しながら、安定性の制約や投射ステップを伴わずに、制約のない勾配ベースの最適化によってトレーニングすることができる。 我々は2つの相補的なパラメトリゼーションを開発する。 近傍の合成パラメトリゼーションは局所結合境界を使用するため、PnPイベントの後、境界が変化したサブシステムだけがゲインパラメータを更新する必要がある。 ネットワークノルムのパラメトリゼーションは、全体の結合行列のバウンドを使い、ネットワーク全体の情報を必要とする価格で保守性を低下させる。 PnP DC-microgridのケーススタディでは、トポロジー変化と負荷変動の下で、ニューラルネットワーク層が電圧過渡性を改善し、名目上の閉ループ安定性を保っている。

関連論文リスト

• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• Scaling up Stability: Reinforcement Learning for Distributed Control of Networked Systems in the Space of Stabilizing Policies [0.49109372384514843]
  本稿では,グラフニューラルネットワーク(GNN)をユーラ様の等級方向パラメータ化に組み込むポリシパラメータ化を提案する。 この大きさは、乱れフィードバックに作用するGNNと、局所的な観測に作用するGNNからなる安定作用素として実装される。 実験により、小さなネットワークで訓練されたポリシーは、より大きなネットワークと見えないネットワークトポロジに直接転送し、最先端のMARLベースラインよりも高いリターンと低い分散を達成することが示された。
  論文  参考訳（メタデータ） (2025-12-20T23:35:07Z)
• Neural Port-Hamiltonian Models for Nonlinear Distributed Control: An Unconstrained Parametrization Approach [0.0]
  ニューラルネットワーク(NN)は、優れたパフォーマンスをもたらす制御ポリシのパラメータ化に利用することができる。 NNの小さな入力変更に対する感度は、クローズドループシステムの不安定化のリスクを引き起こす。 これらの問題に対処するために、ポート・ハミルトンシステムのフレームワークを活用して、連続時間分散制御ポリシーを設計する。 提案する分散コントローラの有効性は,非ホロノミック移動ロボットのコンセンサス制御によって実証される。
  論文  参考訳（メタデータ） (2024-11-15T10:44:29Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Robust stabilization of polytopic systems via fast and reliable neural network-based approximations [2.2299983745857896]
  ポリトピック不確実性を有する線形システムに対する従来の安定化制御器の高速かつ信頼性の高いニューラルネットワーク(NN)に基づく近似設計について検討する。 訓練された修正線形単位(ReLU)に基づく近似が従来の制御系に取って代わる場合、線形不確かさシステムの閉ループ安定性と性能を証明する。
  論文  参考訳（メタデータ） (2022-04-27T21:58:07Z)
• Reliably-stabilizing piecewise-affine neural network controllers [5.203329540700177]
  モデル予測制御(MPC)ポリシーのニューラルネットワーク(NN)近似に影響を与える一般的な問題は、NNベースのコントローラの動作の下でクローズドループシステムの安定性を評価するための分析ツールがないことである。 本稿では、そのような制御器の性能を定量化したり、与えられたMPCスキームの望ましい特性を保持する最小の複雑性NNを設計するための一般的な手順を提案する。
  論文  参考訳（メタデータ） (2021-11-13T20:01:43Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• Improve Generalization and Robustness of Neural Networks via Weight Scale Shifting Invariant Regularizations [52.493315075385325]
  重み劣化を含む正則化器の族は、均質な活性化関数を持つネットワークに対する本質的な重みのノルムをペナルティ化するのに有効でないことを示す。 そこで我々は,ニューラルネットワークの本質的な規範を効果的に制約する改良型正規化器を提案する。
  論文  参考訳（メタデータ） (2020-08-07T02:55:28Z)

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。