arXiv cs.AI· Eloi Campagne (CB), Yvenn Amara-Ouali (LMO), Yannig Goude (LMO), Itai Zehavi (CB), Argyris Kalogeratos (CB)·· 14 小时前AI 评分29
用于电力负荷预测 GNN 的诊断协议：区分参数共享与邻域访问
A Diagnostic Protocol for GNNs in Electricity Load Forecasting: Separating Parameter Sharing from Neighborhood Access
AI 导读
研究者提出一套 GNN 诊断协议，通过与逐节点网络、无邻居共享网络及去边 GNN 三个参考模型对比，区分参数共享与邻域访问各自的贡献。在法国区域负荷和英国低压馈线数据上，参数共享在馈线上挽回了约三分之二的误差差距，而加边带来的增益有一半以上在度保持重连后消失。三个数据集中边均未构成 GNN 相对逐节点模型优势的主要来源，预测增益需在与逐节点及共享参考对比后才能归因于图结构。
正文 · AI 翻译
摘要：图神经网络（GNN）对一组负荷序列进行预测时，结合了两种机制：在序列间共享参数，以及读取相邻序列；相较于非图模型的增益可能来自其中任一机制；区分二者决定了图是否值得维护。我们提出一种模型诊断协议，将 GNN 与三个参考模型进行比较：逐节点网络、跨节点共享但无邻居的网络，以及去掉边的同一 GNN。保持度数的重连测试用于检验邻居身份是否重要。在对法国区域负荷和英国低压馈线进行调优基准测试后，我们将该协议应用于刻意缩短的节点历史，例如当非平稳需求使得只有近期观测相关时：馈线数据（一周内）以及一个客户消费序列的公开数据集。在馈线上，共享参数弥补了节点特定模型与 GNN 之间的大部分误差差距，相对于正则化模型约为三分之二。在其余完全相同的主干上加入边带来的增益较小，其中一半或更多在重连后消失。在客户序列上，邻居均值在较短窗口上使逐节点模型性能下降，且边的增益无法一致地与零区分；在法国各区域，每个节点自身的历史已具有信息量，逐节点模型与 GNN 之间的排名随调优而变化。一项合成研究指出，噪声较大的局部测量是邻居有帮助的一种情形。在一项探索性在线聚合中，图与非图预测器似乎互补，且分配给 GNN 的权重与其贡献不成比例。在三个数据集中，边均未占 GNN 相对于节点特定模型优势的大部分，因此预测增益只有在与逐节点和共享参考进行比较后，才应归功于图。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.35074 [cs.AI] |
| （或 arXiv:2610.35074v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.35074 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Eloi Campagne [查看邮箱] [通过 CCSD 代理]
[v1]
2026年10月26日星期一 09:20:23 UTC（2,015 KB）
来源：arXiv cs.AI · arxiv.org