新方法为交流潮流 GNN 生成对抗性输入

研究人员开发了一种为用于交流潮流模拟的图神经网络模型生成对抗性输入的方法。该技术涉及构建和求解优化问题，以识别导致神经网络预测解与实际交流潮流方程之间出现显著差异的输入点。该研究使用一个14节点测试电网在 CANOS-PF 模型上进行了演示，显示出无功功率高达 3.7 per-unit 和电压幅值高达 0.08 per-unit 的误差。研究结果强调了对这些神经网络代理模型进行鲁棒验证和训练方法的必要性。 AI

影响 凸显了用于关键基础设施的 AI 模型潜在的脆弱性，需要改进鲁棒性和验证技术。

排序理由 学术论文，详细介绍了为电网潮流模拟中的 GNN 生成对抗性输入的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• AC power flow
• CANOS-PF
• graph neural network
• PFΔ
• Robert Parker

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →