論文の概要: Characterizing Cross-Relay Generalization Failure in Machine Learning-Based Power System Protection

• arxiv url: http://arxiv.org/abs/2610.28348v1
• Date: Tue, 20 Oct 2026 15:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.880705
• Title: Characterizing Cross-Relay Generalization Failure in Machine Learning-Based Power System Protection
• Title（参考訳）: 機械学習に基づく電力系統保護におけるクロスリレー一般化失敗の特徴付け
• Abstract要約: 本研究は,局所的な測定値を用いてネットワーク内の任意の断層の2値検出のためのクロスリレー一般化について検討する。 我々は、8つのリレーと5つのランダムシードからなる64個のソースターゲットの組み合わせの多層パーセプトロンを評価した。 平均F1スコアはほとんど変化しなかったが、平均偽陽性率は0.088から0.341に増加し、平均偽陰性率は0.399から0.318に低下した。
• 参考スコア（独自算出の注目度）: 5.417992473033866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning-based fault detectors are often evaluated at the relay locations used for training, although local voltage and current measurements vary across power networks. This work investigates cross-relay generalization for binary detection of faults anywhere in the network using local measurements, rather than line-selective tripping. Using 50 ms windows from a simulated 110 kV transmission network, we evaluate a multilayer perceptron across all 64 source target combinations of eight relays and five random seeds. A shared simulation-level split and source-only threshold selection provide a controlled held-out evaluation without target-specific calibration. Despite nearly unchanged mean F1-scores (0.730 within-relay versus 0.734 cross-relay), the mean false-positive rate (FPR) increases from 0.088 to 0.341, while the mean false-negative rate decreases from 0.399 to 0.318. The change is strongly directional: models trained at Bus 2 relays yield a mean FPR of 0.670 at Bus 1 and Bus 3 relays, compared with 0.096 for cross-relay transfers within the same bus group. Linear probing indicates that learned representations retain coarse bus-group information, while exploratory class-conditional latent distribution analysis shows no consistent monotonic association with transfer errors. These findings demonstrate that aggregate metrics can conceal location-structured changes in false-alarm behavior, highlighting the importance of evaluating error types separately when assessing cross-relay generalization.
• Abstract（参考訳）: 機械学習に基づく故障検知器は、しばしばトレーニングに使用されるリレー位置で評価されるが、局所電圧と電流測定は電力ネットワークによって異なる。 本研究は, 回線選択型トリップではなく, 局所的な計測によりネットワーク内の故障の2値検出のためのクロスリレー一般化について検討する。 シミュレーション110kV伝送ネットワークから50msの窓を用いて、8つのリレーと5つのランダムシードの64ソースターゲットの組み合わせに対して多層パーセプトロンを評価した。 シミュレーションレベルの分割とソースのみのしきい値選択は、ターゲット固有のキャリブレーションを使わずに、制御されたホールトアウト評価を提供する。 平均F1スコア (0.730 in-relay vs 0.734 cross-relay) はほとんど変わらないが、平均偽陽性率は0.088から0.341に増加し、平均偽陰性率は0.399から0.318に低下する。 2番線で訓練されたモデルでは1番線と3番線では平均FPRが0.670、同じバス群では0.096となっている。 線形探索は,学習した表現が粗いバス群情報を保持していることを示し,探索的クラス条件潜在分布解析では伝達誤差と一貫した単調な関係は示さない。 これらの結果から,アラーム行動における位置構造の変化を隠蔽し,クロスリレーの一般化を評価する上で,エラータイプを別々に評価することが重要であることが示唆された。

関連論文リスト

• From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
  視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。 本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。 提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
  論文  参考訳（メタデータ） (2026-09-29T17:49:07Z)
• Offline Reinforcement Learning for Distribution-Grid Protection [42.05746375597851]
  我々は,CIGRE中電圧ネットワークの静的軌跡からの線選択的トリップについて検討した。 畳み込みQネットワークは、因果電圧電流ファサーおよび見かけインピーダンス特徴を受信する。 その結果,密度予測性能と終端保護挙動がモデルランキングに影響を及ぼす可能性が示唆された。
  論文  参考訳（メタデータ） (2026-09-21T14:49:04Z)
• What Survives on Real Drawings: Active Sampling, Connectome Wiring, and Matched Baselines in Architectural Document Vision [0.0]
  ハエ視覚系のコネクトーム制約されたモデルは、所定の動きによって建築図面上を駆動することができる。 我々は、同じ721光受容体サンプルを見ることができる情報マッチングベースラインと比較する。 クリーンな合成データでは、凍結したモデルが転送されるが、タスクトレーニングに負ける。
  論文  参考訳（メタデータ） (2026-09-21T13:30:30Z)
• Unsupervised spiking feature learning for event-based pedestrian crossing detection: approaching supervised accuracy without labelled training data [0.0]
  我々は、最新のDVS-PedX歩行者横断ベンチマークにおいて、教師なしの結果を報告した。 スパイクタイピング依存のプラスチックで訓練された単一のスパイク層は、乱れのないイベントフレームパッチから辞書を学習する。
  論文  参考訳（メタデータ） (2026-09-15T20:07:06Z)
• A Three-Axis Stress Test of LLM vs Classical ML for Network Intrusion Detection under Distribution Shift and Adversarial Evasion [0.0]
  我々はXGBoostとRoBERTa-LoRAを3軸で独立に収集したNetFlow v2ネットワーク上で評価した。 XGBoostは15ポイントのF1と25ポイントのバランスの取れた精度で、クロスデータセット分布シフトの下で決定的に勝利する。 RoBERTa-LoRAは、F1の約17ポイントを代表的な中距離摂動強度で決定的に回避する。
  論文  参考訳（メタデータ） (2026-09-11T20:23:30Z)
• A Hybrid Two-Stage Machine Learning Pipeline for Fault Detection and Classification in Power Transmission Systems [0.4349640169711269]
  本稿では,分類から検出を分離するハイブリッド2段階機械学習パイプラインを提案する。 TLFaultDatasetでは、Line-faultのエンドツーエンドの精度が31.3%から95.8%に向上している。 独立した単一ポイントデータセットでは、同じフレームワークが通常の操作を含むすべてのクラスで97.25%のエンドツーエンドの精度を達成している。
  論文  参考訳（メタデータ） (2026-08-24T18:11:29Z)
• Support Operation Factorization: Compositional Readout of Frozen Vision Encoders under Controlled Interventions [87.95757610455173]
  我々は、x演算グリッドとSO-OPFをサポートするために、インジェクティブに整合した残余セルアウトプロトコルを導入する。 グリッドが分かっているときにキャリアがホールドアウトバインディングを構成するかどうか、フラットなセルラベルからグリッドを回収できるかどうかという2つの質問を分離する。
  論文  参考訳（メタデータ） (2026-08-06T15:38:55Z)
• WASABI: Whole-graph Assignment-based Stabilizer for lAne topology By Inter-frame tracking [0.0]
  最近の知覚モデルは、360度BEVビュー上の車載センサーから車線トポロジーを推定する。 出力は、検出ミス、LCLCの誤検出、過剰検出、ラベルフリックなどの構造不安定性を保っている。 本稿では,車線トポロジ出力をフレーム内およびフレーム間の両方で安定化する実時間後処理パイプラインWASABIを提案する。
  論文  参考訳（メタデータ） (2026-07-22T05:59:22Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Enhancing Continual Learning for Software Vulnerability Prediction: Addressing Catastrophic Forgetting via Hybrid-Confidence-Aware Selective Replay for Temporal LLM Fine-Tuning [43.24339861841546]
  本稿では,CVE-linked データセット上でのデコーダ型言語モデル (phi/phi-2 with LoRA) の微調整について検討する。 本研究では,ウィンドウオンリーおよび累積学習,リプレイベースライン,正規化ベースバリアントを含む8つの連続学習戦略を評価する。 ハイブリッドCASRはベースラインと比較してウィンドウ当たりのトレーニング時間を約17%削減する一方、累積トレーニングは15.9倍の計算コストでF1をわずかに増加させる(0.661)。
  論文  参考訳（メタデータ） (2026-02-27T09:13:23Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)

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。