ترجمه فارسی مقاله SplitVAEs: تولید سناریو غیرمتمرکز از داده‌های سیلد برای مسائل بهینه‌سازی تصادفی

چکیده

Stochastic optimization problems in large-scale multi-stakeholder networked systems (e.g., power grids and supply chains) rely on data-driven scenarios to encapsulate complex spatiotemporal interdependencies. However, centralized aggregation of stakeholder data is challenging due to the existence of data silos resulting from computational and logistical bottlenecks. In this paper, we present SplitVAEs, a decentralized scenario generation framework that leverages variational autoencoders to generate high-quality scenarios without moving stakeholder data. With the help of experiments on distributed memory systems, we demonstrate the broad applicability of SplitVAEs in a variety of domain areas that are dominated by a large number of stakeholders. Our experiments indicate that SplitVAEs can learn spatial and temporal interdependencies in large-scale networks to generate scenarios that match the joint historical distribution of stakeholder data in a decentralized manner. Our experiments show that SplitVAEs deliver robust performance compared to centralized, state-of-the-art benchmark methods while significantly reducing data transmission costs, leading to a scalable, privacy-enhancing alternative to scenario generation.

چکیده به فارسی (ترجمه ماشینی)

مشکلات بهینه سازی تصادفی در سیستم های شبکه ای چند ذینفع در مقیاس بزرگ (به عنوان مثال ، شبکه های برق و زنجیره های تأمین) به سناریوهای داده محور تکیه می کنند تا به همبستگی های پیچیده مکانی مکانی پیچیده بپردازند.با این حال ، تجمع متمرکز داده های ذینفعان به دلیل وجود سیلوهای داده ناشی از تنگناهای محاسباتی و لجستیکی ، چالش برانگیز است.در این مقاله ، ما Splitvaes ، یک چارچوب تولید سناریوی غیر متمرکز را ارائه می دهیم که از خودروهای متغیر استفاده می کند تا سناریوهای با کیفیت بالا را بدون جابجایی داده های ذینفعان تولید کند.با کمک آزمایشات در سیستم های حافظه توزیع شده ، ما کاربرد گسترده ای از Splitvaes را در انواع مناطق دامنه که توسط تعداد زیادی از ذینفعان حاکم است ، نشان می دهیم.آزمایشات ما نشان می دهد که Splitvaes می تواند وابستگی های مکانی و زمانی را در شبکه های در مقیاس بزرگ بیاموزد تا سناریوهایی را تولید کند که با توزیع مشترک مشترک داده های ذینفعان به روشی غیر متمرکز مطابقت داشته باشد.آزمایشات ما نشان می دهد که Splitvaes عملکرد قوی را در مقایسه با روشهای معیار متمرکز و پیشرفته ارائه می دهد و در عین حال هزینه های انتقال داده را به میزان قابل توجهی کاهش می دهد و منجر به یک جایگزین مقیاس پذیر و تقویت کننده حریم خصوصی برای تولید سناریو می شود.