跳到正文
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

报道时间线

沿着报道,了解事件的不同侧面。

11月16日
  1. 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。