arXiv cs.AI· S M Zia Ur Rashid, Sazidul Islam Hira, Rupesh Sah, Suman Rath·· 4 小时前AI 评分22
ActiGrid 基准揭示: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
Stop Early, Stay Simple: Evidence Acquisition for Power System Fault and Attack Diagnosis
AI 导读
研究者提出 ActiGrid 基准框架,将容忍模态缺失的分类器与 Double DQN 配对,用于网络物理电力系统的主动证据获取。在 TU Delft 数字变电站和 MSU/ORNL 攻击基准上,DQN 策略与熵停止法在 TU Delft 上统计无差异,在 MSU/ORNL 上被简单控制策略 Pareto 支配;紧凑子集分类器读取更少来源却表现更优。
正文 · AI 翻译
摘要:信息物理电力系统的诊断模型通常针对每个事件检查所有遥测数据源,尽管有些事件仅凭单一数据源即可明确,而另一些则需要多个数据源。我们探讨的是:一个用于选择证据的学习策略,何时才值得其带来的额外复杂度。为回答这一问题,我们提出 ActiGrid——一个用于主动证据获取的基准框架,它将一个经训练可容忍模态缺失的分类器与一个 Double Deep Q-Network(DQN)配对,该 DQN 要么请求另一个数据源,要么停止并给出诊断,但从不操作电网执行器。在公开的 TU Delft 数字变电站和 MSU/ORNL 电力系统攻击基准上,我们将该 DQN 与固定子集及顺序、校准熵停止、贪心信息价值规则,以及按子集训练的树集成方法进行比较。该学习策略确实会适应其观测到的内容,但它在 TU Delft 上与熵停止在统计上无法区分,在 MSU/ORNL 上则被简单控制方法帕累托支配;而紧凑子集分类器在两个基准上均以读取更少数据源的方式优于它。在这些子集分类器上运行熵停止,在 TU Delft 上达到最高平均 Macro-F1(读取 57% 的数据源时为 0.928),但在 MSU/ORNL 上相比静态三数据源子集并无节省,且在该基准上没有任何方法超过 0.45 Macro-F1。选择性获取可以带来收益,但在这些基准上它并不需要学习策略。
| 学科: | 密码学与安全(cs.CR);人工智能(cs.AI);机器学习(cs.LG);系统与控制(eess.SY) |
| 引用为: | arXiv:2611.21695 [cs.CR] |
| (或 arXiv:2611.21695v1 [cs.CR] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.21695 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:S M Zia Ur Rashid [查看邮箱]
[v1]
2026 年 11 月 16 日星期一 12:04:43 UTC(84 KB)
来源:arXiv cs.AI · arxiv.org