利用图注意力网络进行故障评估和鲁棒网络设计的 FERN 方法

May, 2023

利用图注意力网络进行故障评估和鲁棒网络设计的 FERN 方法

FERN: Leveraging Graph Attention Networks for Failure Evaluation and Robust Network Design

Chenyi Liu, Vaneet Aggarwal, Tian Lan, Nan Geng, Yuan Yang...

TL;DR本研究提出了一个基于神经网络的 FERN 框架，使用图注意力网络提供一个常规核以改善现有解决方案的可操作性和可扩展性，该框架可用于各种网络设计问题，包括网络验证、网络升级优化和容错流量工程。经实验证明，FERN 可以更高效、更准确地识别关键故障场景，与不同拓扑和输入流量模式具有良好的泛化能力。

Abstract

robust network design, which aims to guarantee network availability under various failure scenarios while optimizing performance/cost objectives, has received significant attention. Existing approaches often rely

robust network design failure scenarios neural network graph attention network scalable framework

发现论文，激发创造

鲁棒大规模网络定位的注意力图神经网络

提出了一种基于图神经网络的网络定位方法，通过结合关注机制，在严重的非直线视线传播情况下实现了卓越的稳定性和准确性，消除了离线校准或非直线视线识别的需求。

Nov, 2023

电信网络中的故障检测使用双层联邦图神经网络

提出了一个基于双层联邦图神经网络的异常检测和诊断模型，能够以保护隐私的方式在电信网络中检测异常，同时最小化通信成本，并通过实际网络数据在三种设置下对异常检测模型进行性能分析，结果显示个性化联邦图神经网络方法优于常用的异常检测技术。

Nov, 2023

基于 GNN 的电力网动态特性评估及知识图谱应用

通过图神经网络（GNN）发展了一种检测电力网故障的新方法，旨在增强网络运维中的智能故障诊断能力，该方法借助特殊的电气特征提取模型和知识图谱，通过整合节点的历史和未来状态来辅助当前故障检测，并通过对神经网络层各个节点输出特征进行相关分析验证了该 GNN 在提取节点特征方面的有效性，实验证明该方法可在模拟场景中准确定位故障节点，准确率达到 99.53%，此外，图神经网络的特征建模还可定性揭示故障在节点之间的传播情况，提供有价值的故障节点分析洞察。

Nov, 2023

基于注意力机制的图神经网络半监督学习

本文提出一种使用注意力机制的图神经网络，通过去除中间的全连接层，并结合图结构实现对邻域的动态自适应的总结，从而达到降低参数数量，提高半监督学习效果的目的。

Mar, 2018

关系融合网络：用于道路网络的图卷积网络

本研究介绍了一种特定于路网设计的图卷积神经网络（GCN）的改进型 RFN，与现有的 GCN 相比，在两个机器学习任务上的性能提高了 21％-40％，同时还表明了现有 GCN 可能无法有效地利用道路网络结构并可能无法很好地推广到其他道路网络。

Jun, 2020

图神经网络中的深度关注：问题及解决方案

本研究通过理论和实证分析，探讨了深度图注意力中涉及的一些问题现象，包括易受平滑功能影响和光滑累积注意力。由此，研究者提出了一种名为 AEROGNN 的新型 GNN 体系结构，用于深度图注意力，其已被证明可以缓解这些问题。

Jun, 2023

基于基础设施的端到端学习及司机失效预防

本研究在小型城市的真实场景中对正常驾驶和危险驾驶进行了轨迹记录，通过构建一种循环神经网络 FailureNet 来检测自动驾驶系统中的故障，为交叉道路的驾驶提供提醒。与速度或基于频率的预测器相比，FailureNet 的循环神经网络结构提供了更好的预测能力，在硬件上部署时可以达到 84％的准确度。

Mar, 2023

基于卷积神经网络的网络鲁棒性预测学习方法

使用卷积神经网络提取特征表示的学习方法可以更快、更准确地预测网络的稳健性，并提供一个好的指标来度量其连通性鲁棒性。

Mar, 2022

FLEE-GNN：一种用于分析多种商品食品流动的地理韧性的边缘增强图神经网络的联邦学习系统

提出了一种名为 FLEE-GNN 的新型联邦学习系统，用于增强地理空间多商品食品流网络的韧性分析，结合了图神经网络的稳健性和适应性以及联邦学习的数据隐私保护和分散性，旨在克服当前方法的限制，并有望在其他空间网络中应用。

Oct, 2023

基于深度图卷积网络的配电系统故障定位

本文提出了一种新颖的图卷积网络（GCN）框架，用于电力配电网络的故障定位。该方法集成了不同母线上的多个测量值，并考虑了系统拓扑结构。在 IEEE 123 母线基准系统上，GCN 模型的有效性得到了证实。模拟结果表明，该模型的故障定位精度远高于其他广泛使用的机器学习方案。此外，该方法对于测量噪声和数据丢失错误具有鲁棒性。提出了数据增强过程来增加模型在各种噪声和数据丢失错误水平下的鲁棒性。进一步的实验表明，该模型能够适应配电网络的拓扑变化，并能在有限数量的测量母线下良好运行。

Dec, 2018