arXiv:2609.26603v1 cs.LG

다중 그리드 전력 조류를 위한 계층형 GNN: 운영 시나리오 간 일반화

Towards Hierarchical GNNs for multi-grid power flow: generalization across operating scenarios

Carmine Delle Femine, Leire Garin Atxaga, Asier Diaz-Iglesias, Juan Pablo Maroto Herrera, Ane Miren Florez-Tapia, Marco Quartulli. Izaro Goienetxea Urziku

제출 2026-09-23

한국어 초록

계층적 잠재 통신(hierarchical latent communication)은 다중 그리드 전력 조류 모델이 새로운 운영 시나리오로 일반화하는 능력을 향상시킨다. 이 모듈은 GENCO 기반 corrective network 내에서 두 개의 축소 그래프를 통해 정보를 교환한다. 세 가지 그리드 토폴로지에서 모델당 세 가지 초기화 시드를 사용한 200 에포크 예비 학습 동안 Kron 유도 수송(Kron-derived transports), 동일 앵커 Quotient 구성(same-anchor Quotient construction), 평(flat) backbone을 비교한다. 평가는 그리드당 새로 생성·사전 선정된 200개 시나리오를 사용한다. 학습 토폴로지에서 Kron은 macro family-balanced 전압 오차를 5.660 ± 0.899에서 0.851 ± 0.110으로 줄였으며, 이는 Flat GENCO 대비 85.0% 감소이고 Quotient(1.235 ± 0.225) 대비 31.0% 감소이다. 두 계층형 모델은 세 시드 모두에서 모든 학습 토폴로지에서 학습 해에 맞춘 버스별 평균(per-bus mean) fitted 기준보다 우수하다. 이 결과는 공유된 한 세트의 학습 파라미터로 그리드 전반에 걸쳐, 연구된 토폴로지 내에서 운영 시나리오 간 일반화를 보여 준다. 두 가지 추가 토폴로지에 대한 평가는 이 성과를 교차 토폴로지 일반화와 구분한다: 현재 모델은 calibrated-transfer 설정에서 fitted 기준을 아직 능가하지 못한다. 본 preprint는 다중 그리드 전력 조류 학습의 구성 요소로서 계층적 통신에 대한 아키텍처와 예비 근거를 제시하며, 보지 못한 토폴로지로의 일반화를 다음 개발 목표로 둔다.

원문 초록

Hierarchical latent communication improves the generalization of a multi-grid power-flow model to new operating scenarios. The module exchanges information through two reduced graphs within a GENCO-based corrective network. We compare Kron-derived transports, a same-anchor Quotient construction and a flat backbone in preliminary trainings of 200 epochs on three grid topologies, with three initialization seeds per model. Evaluation uses 200 newly generated, preselected scenarios per grid. On the training topologies, Kron reduces the macro family-balanced voltage error from 5.660 +- 0.899 to 0.851 +- 0.110: an 85.0% reduction relative to Flat GENCO and 31.0% relative to Quotient, which reaches 1.235 +- 0.225. Both hierarchical models outperform a per-bus mean fitted on training solutions on every training topology in all three seeds. These results demonstrate generalization across operating scenarios within the studied topologies, with one set of learned parameters shared across grids. Evaluation on two additional topologies distinguishes this achievement from cross-topology generalization: the current models do not yet outperform the fitted reference in that calibrated- transfer setting. This preprint presents the architecture and preliminary evidence for hierarchical communication as a component of multi-grid power-flow learning, with generalization to unseen topologies as the next development objective.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.26603v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.05253v2cs.LG공통 태그 Domain Generalization, Graph Neural Network

GLASS: 전이 가능한 그래프 수준 이상치 탐지를 위한 구면 점수화 기반 그래프-언어 정렬

GLASS: Graph-Language Alignment with Spherical Scoring for Transferable Graph-Level Anomaly Detection

본 논문에서는 단위 초구(unit hypersphere) 상의 그래프-언어 정렬을 통해 강력한 도메인 간 전이 가능성(cross-domain transferability)을 달성하는 그래프 수준 이상치 탐지(GLAD) 프레임워크인 GLASS를 소개합니다. GLASS는 다중 슬라이스 소프트 코사인 목적 함수(multi-slice soft cosine objective)를 통해 구조 인지 그래프 인코더와 지시 인지(instruction-aware) 텍스트 임베딩을 정렬하여 통합된 표현 공간을 구축합니다. 본 프레임워크는 국소적, 전역적, 의미론적 그래프 속성을 압축된 그래프 기술자 프롬프트(GraphDP)로 직렬화하여 도메인에 구애받지 않는 이상치 점수화를 가능하게 하는 텍스트 가교를 만듭니다. 마트료시카 표현 슬라이스(Matryoshka representation slices)를 통해 다중 스케일 일관성을 강제함으로써, 모델은 다양한 입도 수준에서 이상 편차를 포착합니다. 우리는 이상치 탐지를 정렬된 초구 상에서의 밀도 추정 문제로 정식화하고, 그래프 및 텍스트 임베딩 공간 모두에서 폰 미제스-피셔(von Mises-Fisher) 커널 밀도 추정기를 인스턴스화하는 구면 멀티모달 점수화(SMS)를 도입합니다. 이러한 확률론적 정식화는 고밀집 극한(high-concentration limit)에서 각도 기반 1-최근접 이웃 점수화를 복원하고, 실용적인 평균 k-최근접 이웃 점수 계산기에 이론적 동기를 부여하며, 구조적 및 의미론적 이상 신호의 원칙적인 융합을 제공합니다. 공유된 텍스트 임베딩 공간은 도메인 간 가교 역할도 수행합니다. 타깃 도메인 학습 데이터 없이도 타깃 도메인의 GraphDP를 인코딩하여 제로샷(zero-shot) 이상치 탐지를 수행하며, 소수의 정상 예시만으로 참조 세트 보정(reference-set calibration)을 통한 퓨샷(few-shot) 적응을 수행합니다. 프라이버시에 민감한 배포 환경을 위해, 우리는 프라이빗 타깃 참조와 무관하게 인코더를 고정한 상태로 유지하면서 그래프 레코드 차분 프라이버시(differential privacy)를 제공하는 유계 결합 그래프-텍스트 커널 요약으로 참조 세트 보정을 확장합니다. 12개의 벤치마크와 3개의 메타 도메인에 걸친 실험에서, GLASS는 최신 고급 GLAD 베이스라인들과 비교해 최고의 평균 AUROC 및 순위를 달성하며 효과적인 도메인 간 전이를 가능하게 합니다.

arXiv:2607.20535v1cs.LG공통 태그 Domain Generalization, Graph Neural Network

제로샷 디지털 트윈을 위한 그래프 신경망 접근법

A Graph Neural Network approach to zero-shot Digital Twins

전통적인 예측형 디지털 트윈은 종종 기하학적으로 경직되어, 기반 물리 영역이나 경계 조건이 바뀔 때마다 광범위한 재학습 또는 미세조정을 필요로 한다. 이 한계를 극복하기 위해, 우리는 실시간 시각 인식과 기하학에 무관한 물리 정보 기반 추론 엔진을 원활하게 결합하는 제로샷 디지털 트윈(Zero-Shot Digital Twins)을 위한 새로운 프레임워크를 제시한다. 우리 아키텍처의 핵심은 Thermodynamics-Informed Graph Neural Network 아키텍처로, 메트리플렉틱(metriplectic) 열역학 형식론에 기반한 기하 심층 학습(Geometric Deep Learning) 솔버이며, 그래프 메시지 전달을 통해 국소적으로 에너지 보존과 비음 엔트로피 생성을 강제한다. 이 프레임워크는 보조 그래프 신경망을 통합하여 희소한 초기 시각 경계로부터 직접 관측 불가능한 필드(응력 텐서, 속도 및 에너지 분포 등)를 추론함으로써 수치적 시작 과도 현상을 완화한다. 시뮬-실제(sim-to-real) 격차를 메우기 위해, 우리는 연속적인 폐루프 데이터 동화 메커니즘을 구현한다. 파이프라인은 심층 분할 신경망과 희소 광학 흐름을 결합하여 거시적 변형과 자유 표면 유체 경계를 실시간으로 추적하고, 자기회귀 시뮬레이션 롤아웃을 동적으로 보정하여 수치적 드리프트를 제거한다. 우리 접근법의 타당성을 검증하기 위해, 우리는 두 가지 이질적인 물리 체제에서 접근법의 극단적인 일반화 능력을 입증한다: 점탄성 보의 대변형과 점성 유체의 비선형 슬로싱(sloshing). 두 시나리오 모두에서, 통합 프레임워크는 사례별 재학습 없이 새로운, 보지 못한 기하학에서 물리적으로 정확한 시뮬레이션을 생성하며, 실시간 지연(latency) 예산(프레임당 약 25ms) 내에서 동작하고 증강 현실(AR)을 통해 잠재 기계 변수의 직접 투영을 가능하게 한다.

arXiv:2607.13763v2cs.LG공통 태그 Domain Generalization, Graph Neural Network

MxGPS: 전력망 파운데이션 모델을 위한 멀티플렉스 그래프 트랜스포머

MxGPS: Multiplex Graph Transformers for a Power Grid Foundation Model

전력망 문제를 위한 그래프 신경망(GNN)의 단일 과제 미세조정은 체계적인 실패 양상을 보인다. 분포 내(in-distribution) 오차가 가장 낮은 모델일수록 토폴로지 변화(topology shift) 하에서 가장 크게 성능이 저하된다. 이를 토폴로지 과적합(topology overfitting)이라 부른다. 과제 특화 그래디언트 신호가 기본 물리학(underlying physics)보다는 학습 토폴로지에 특화된 관계 구조를 인코딩하는 경향으로, 분포 내 성능이 우수함에도 불구하고 모델이 보지 못한 전력망에서 실패하게 만든다. 이 실패 양상을 드러내고 해결하기 위해, 공유 노드 인코더 위에서 K개의 과제 특화 GPS 분기를 실행하는 멀티플렉스 그래프 트랜스포머인 MxGPS(Multiplex GPS)를 제안한다. 이는 자기지도 사전학습 및 다중 과제 미세조정 프로토콜을 통해 정적 상태 추정(Static State Estimation, SSE)과 교류 전력 조류(AC Power Flow, PF)에 공동 학습되며, 교차 분기 어텐션 모듈은 ablation에서 평가되었다. SSE+PF 공동 목적 함수는 공유 인코더가 상보적인 그래디언트 신호를 동시에 만족하도록 강제하여, 토폴로지 특화 관계 구조에 대한 과적합을 방지한다. 3-fold 슬라이딩 윈도우 교차 검증(sliding-window cross-validation)으로 네 가지 보지 못한 토폴로지(14-, 24-, 162-, 300-bus)를 아우르는 실험에서, MxGPS는 네 가지 제로샷 Power Flow 토폴로지 모두에서 0% 경계 위반률(boundary violation rate, BVR)을 달성한다. 중요하게도, 분포 내 PF 오차가 실질적으로 더 낮은 모델들은 토폴로지 변화 하에서 190%에서 1400%까지 성능이 저하되는 반면, MxGPS는 39%에 불과하다. 이러한 역전 현상은 실패 메커니즘이 모델 용량 부족이 아니라 토폴로지 과적합임을 직접적으로 시사한다. 매개변수 160만 개(GridFM 참조 기준선 대비 12배 적음)만으로 MxGPS는 다중 과제 공동 학습이 전력망 파운데이션 모델에서 토폴로지 독립적(topology-agnostic) 일반화를 위한 원칙적이고 매개변수 효율적인 메커니즘임을 보여준다.

arXiv:2607.14114v1cs.CL공통 태그 Domain Generalization, Graph Neural Network

CoEvoT: 그래프-LLM 추론을 위한 공진화 사고의 연쇄 프롬프팅

CoEvoT: Co-Evolving Chain-of-Thought Prompting for Graph-LLM Reasoning

분포 이동(distribution shift) 하에서의 그래프 학습은 지속적인 과제이며, 모델은 제한적이거나 심지어 감독이 전혀 없는 상황에서 새로운 그래프에 적응해야 한다. 최근 그래프-LLM 접근법은 그래프를 프롬프트로 선형화하고 대규모 언어 모델(LLM)을 예측기로 사용하여 레이블 효율적인 예측을 향해 나아가며, LLM의 다단계 추론 능력을 활용하기 위해 사고의 연쇄(Chain-of-Thought, CoT) 프롬프팅을 채택할 수 있다. 그러나 기존 CoT 기반 그래프-LLM 방법은 고정된 그래프 토큰을 조건으로 하여 중간 사고를 생성하므로, 구조적 단서의 단계별 정제가 제한된다. 본 논문에서는 그래프-LLM 추론을 위한 단순하면서도 효과적인 공진화 CoT 프롬프팅 프레임워크인 CoEvoT를 제안한다. CoEvoT는 텍스트-그래프 토큰 재작성과 그래프-텍스트 추론 안내를 폐루프로 결합한다. 각 중간 텍스트 사고는 경량 조건 네트워크를 통해 그래프 토큰 증거 상태를 갱신하는 데 사용되며, 갱신된 토큰은 다음 단계 지시에 다시 입력되어 후속 LLM 추론을 안내한다. 이를 통해 고정된 그래프 스냅샷에 대한 추론이 아니라, 단계별·상태 인식 증거 정제가 가능해진다. 8개 데이터셋에 대한 광범위한 실험에서 CoEvoT는 최신 베이스라인을 일관되게 능가함을 보여준다.

arXiv:2609.07780v3cs.CV공통 태그 Domain Generalization

DroneGround: 합성 데이터와 그라운디드 비전-언어 모델을 활용한 오픈 보캐블러리 드론 탑재체 특성 분석

DroneGround: Open-Vocabulary Drone Payload Characterization Using Synthetic Data and Grounded Vision-Language Models

자동화된 드론 감시는 공공 안전, 중요 인프라 보호 및 제한 공역 모니터링을 위해 점점 더 중요해지고 있습니다. 기존의 비전 기반 시스템은 드론 탐지 및 추적에서 뛰어난 성능을 달성하지만, 원거리 촬영 조건에서는 주석이 달린 실제 데이터셋의 부족과 배포 시 직면하는 상당한 분포 변화(distribution shift)로 인해 신뢰할 수 있는 탑재체(payload) 특성 분석이 여전히 매우 어려운 과제로 남아 있습니다. 기존 접근법들은 탑재체 특성 분석을 닫힌 집합(closed-set) 객체 검출 문제로 정식화하여, 이전에 보지 못한 탑재체를 인식하고 학습 분포를 넘어 일반화하는 능력을 제한합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 Unreal Engine 5와 Cosys-AirSim을 사용하여 사실적인(photorealistic) 합성 드론-탑재체 데이터셋을 생성하고, 강력한 오픈 보캐블러리(open-vocabulary) 탑재체 분석을 위한 2단계 프레임워크인 DroneGround(Grounded Vision-Language Payload Characterization)를 제안합니다. DroneGround는 먼저 YOLO26s 검출기를 사용하여 드론의 위치를 특정하고 드론 중심의 이미지 크롭을 추출한 다음, LoRA 파인튜닝된 PaliGemma 비전-언어 모델을 활용해 탐지된 드론 및 부착된 탑재체에 대한 시맨틱 설명을 생성함으로써 사전에 정의된 범주를 넘어서는 오픈 보캐블러리 탑재체 특성 분석을 가능하게 합니다. 또한 폐색 기반 그라운딩(grounding) 모듈은 생성된 설명에 기여하는 이미지 영역을 식별하여 해석 가능한 탑재체 위치 추정 기능을 제공합니다. 합성 및 실제 드론 영상 모두에 대한 광범위한 실험을 통해 DroneGround가 합성-실제(synthetic-to-real) 분포 변화 하에서 견고성을 크게 향상시켜 F1-점수를 82.5%에서 96.3%로 높여 기존의 닫힌 집합 탑재체 검출기를 능가하는 동시에, 이전에 보지 못한 탑재체 범주에 대해서도 훨씬 더 우수한 일반화 성능(F1 80.4% 대 42.7%)을 달성함을 입증합니다. 데이터셋과 코드는 요청 시 공개될 예정입니다.

arXiv:2607.13941v2cs.CV공통 태그 Domain Generalization

Peak-End-Net: 피크-엔드 규칙(peak-end rule)에서 영감을 받은 일반화 가능한 비디오 미적 평가 프레임워크

Peak-End-Net: A Peak-End Rule Inspired Framework for Generalizable Video Aesthetic Assessment

비디오 미적 평가(VAA)는 비디오가 미적으로 얼마나 만족스러운지 예측하는 것을 목표로 하지만, 다른 시각 평가 작업에 비해 훨씬 덜 탐구되어 왔다. 그 발전은 대규모 벤치마크(benchmark)의 부족뿐 아니라, 인간 지각에 의해 형성되는 미적 판단의 내재적 주관성에 의해서도 저해된다. 본 논문에서는 심리학적 관점에서 VAA를 재검토하고, 사람들이 시간적 경험을 주로 두드러진 순간(salient moments)과 끝(end)에 따라 판단하는 경향이 있다고 제안하는 피크-엔드 규칙에서 영감을 받은 경량이며 해석 가능한 프레임워크인 Peak-End-Net을 제안한다. 이 직관에 기반하여, 먼저 사전학습된 IAA 헤드를 도입하여 프레임별 미적 사전 신호(aesthetic priors)를 생성함으로써 이미지 미적 평가(IAA)에서 VAA로 지식을 전이한다. 이는 미적으로 두드러진 순간을 식별하고 피크-엔드 규칙 기반 시간적 집계(temporal aggregation)를 안내하는 대리 신호(surrogate signals) 역할을 한다. 또한 비디오가 시간에 따라 미적으로 어떻게 변화하는지 더 포착하기 위해, 고립된 순간을 넘어 시간적 진행(temporal progression)을 모델링하는 미적 리듬 인코더(aesthetic rhythm encoder)를 설계한다. 또한 분포 이동(distribution shift) 하에서의 견고성(robustness)을 향상시키기 위해 동적 게이트 융합(dynamic gated fusion) 메커니즘을 통해 전체 평가를 정제한다. 우리 방법은 고정된 비전 트랜스포머(ViT) 위에 구축되며, 학습 가능한 매개변수가 소량만 필요하여 확장 가능하고 매개변수 효율적(parameter-efficient)이다. VADB에서의 도메인 내(in-domain) 평가와 DIVIDE-3K에서의 교차 도메인(cross-domain) 테스트를 포함한 두 기존 VAA 벤치마크에 대한 광범위한 실험은, 우리 접근법이 최신(state-of-the-art) 성능을 달성함을 보여주며, VAA를 위한 심리학적 기반(psychologically grounded) 모델링의 가치를 확인한다. 코드와 모델은 https://github.com/AMAP-ML/Peak-End-Net 에서 이용할 수 있다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.