arXiv cs.AI· Stephen Peng, Vineet Jagadeesan Nair·· 10 小时前AI 评分31
学习型 AC-OPF 代理模型的蜕变测试揭示表示依赖性
Metamorphic testing of learned AC optimal power flow surrogates reveals representation dependence
AI 导读
对学习型 AC-OPF 代理模型的蜕变测试覆盖 17 种模型与流水线配置，每种配置至少违反 13 条蜕变关系中的 6 条，即便在放宽或收紧 10 倍的报告容差下依然如此。
正文 · AI 翻译
摘要：在单一电网序列化上评估学习得到的交流最优潮流（AC-OPF）代理模型，无法表明其精度是否依赖于该编码方式。我们通过十三条蜕变关系来检验这种依赖性，每条关系都规定了变换何时有效以及如何比较其输出。我们的审计覆盖 17 种模型与流水线配置：两个已发布的训练检查点，以及 15 个随机权重架构或机制对照。每种配置都至少违反六条关系，即使在报告容差收紧或放宽十倍时也是如此。对于 GridSFM-Open v1.1，源码检查与中间张量干预指向一个索引错误以及三项非规范或数值不稳定的预处理选择；修复后的检查点尚未测试。在另一项 case500 训练实验中，数据增强在四个模型中的三个上降低了变换视图误差，并在全部四个模型上降低了中位差异和约束违反 P95。这些收益取决于训练协议：部分关系反而变差，且所有被评估的预测仍然交流不可行。GPU/CPU 特征求解器不匹配解释了大部分原始拉普拉斯基线的大幅提升。我们建议在报告精度、可行性和成本的同时，也报告表示一致性。这些结果既不能确立部署就绪性，也不能确立普遍不变性。
| 评论： | 被 NeurIPS 2026 研讨会接收，包括 (i) 可信 AI 评估、(ii) 电网 AI 基础、(iii) 用机器学习应对气候变化、(iv) Sim2Science 和 (v) 物理科学表示 |
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI)；系统与控制 (eess.SY)；优化与控制 (math.OC) |
| 引用为： | arXiv:2611.13566 [cs.LG] |
| （或 arXiv:2611.13566v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13566 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Vineet Jagadeesan Nair [查看电子邮件]
[v1]
2026 年 11 月 10 日星期二 04:33:01 UTC（655 KB）
来源：arXiv cs.AI · arxiv.org