ActiGrid基准:学习型证据获取未胜简单规则
热点事件观察中
ActiGrid基准:学习型证据获取未胜简单规则
1 篇报道1 个报道来源2 天前更新
先了解这件事
AI 综述
S M Zia Ur Rashid 等作者发布预印本论文,提出 ActiGrid 基准框架,用于电力系统故障与攻击诊断中的主动证据获取:该框架将容忍模态缺失的分类器与 Double DQN 配对,DQN 只决定请求新数据源或停止诊断,不操作电网执行器。 在公开的 TU Delft 数字变电站和 MSU/ORNL 电力系统攻击基准上,作者将 DQN 与固定子集及顺序、校准熵停止、贪心信息价值规则、按子集训练的树集成进行比较。作者称,在 TU Delft 上,基于这些子集分类器的熵停止取得最高平均 Macro-F1(0.928,同时读取 57% 的数据源);但在 MSU/ORNL 上,它相对静态三源子集没有节省,且所有方法均未超过 0.45 Macro-F1。 该论文为 arXiv 预印本,上述比较结果尚未经同行评审。
AI 根据报道生成 · 46 分钟前更新
最新进展11月16日 20:04
ActiGrid 基准测试:电力系统故障与攻击诊断中学习型证据获取策略未必优于简单规则报道时间线
沿着报道,了解事件的不同侧面。
11月16日
- arXiv 电力系统研究ActiGrid 基准测试:电力系统故障与攻击诊断中学习型证据获取策略未必优于简单规则
研究提出 ActiGrid 基准框架,将容忍模态缺失的分类器与 Double DQN 配对,用于电力系统故障与攻击诊断中的主动证据获取,DQN 只决定请求新数据源或停止诊断,不操作电网执行器。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。