Fugu-MT 論文翻訳(概要): Predictive Monitoring with Logic-Calibrated Uncertainty for Cyber-Physical Systems

論文の概要: Predictive Monitoring with Logic-Calibrated Uncertainty for Cyber-Physical Systems

arxiv url: http://arxiv.org/abs/2011.00384v3
Date: Sat, 24 Jul 2021 19:24:09 GMT
ステータス: 処理完了
システム内更新日: 2022-10-01 05:20:28.595576
Title: Predictive Monitoring with Logic-Calibrated Uncertainty for Cyber-Physical Systems
Title（参考訳）: サイバー物理システムにおける論理校正不確かさによる予測モニタリング
Authors: Meiyi Ma, John Stankovic, Ezio Bartocci, Lu Feng
Abstract要約: 我々はベイジアンリカレントニューラルネットワーク(RNN)から生成される逐次予測をモニタリングするための新しいアプローチを開発する。本研究では,不確実性の無限集合を含むフローパイプを監視するために,EmphSignal Temporal Logic with Uncertainty (STL-U) という新しい論理を提案する。提案手法は実世界のデータセットとシミュレーションによるスマートシティケーススタディを用いて評価する。
参考スコア（独自算出の注目度）: 2.3131309703965135
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predictive monitoring -- making predictions about future states and monitoring if the predicted states satisfy requirements -- offers a promising paradigm in supporting the decision making of Cyber-Physical Systems (CPS). Existing works of predictive monitoring mostly focus on monitoring individual predictions rather than sequential predictions. We develop a novel approach for monitoring sequential predictions generated from Bayesian Recurrent Neural Networks (RNNs) that can capture the inherent uncertainty in CPS, drawing on insights from our study of real-world CPS datasets. We propose a new logic named \emph{Signal Temporal Logic with Uncertainty} (STL-U) to monitor a flowpipe containing an infinite set of uncertain sequences predicted by Bayesian RNNs. We define STL-U strong and weak satisfaction semantics based on if all or some sequences contained in a flowpipe satisfy the requirement. We also develop methods to compute the range of confidence levels under which a flowpipe is guaranteed to strongly (weakly) satisfy an STL-U formula. Furthermore, we develop novel criteria that leverage STL-U monitoring results to calibrate the uncertainty estimation in Bayesian RNNs. Finally, we evaluate the proposed approach via experiments with real-world datasets and a simulated smart city case study, which show very encouraging results of STL-U based predictive monitoring approach outperforming baselines.
Abstract（参考訳）: 将来の状態を予測し、予測された状態が要求を満たす場合の監視を行う予測監視は、サイバーフィジカルシステム(cps)の意思決定を支援する有望なパラダイムを提供する。既存の予測モニタリングの作業は主に、シーケンシャルな予測ではなく、個々の予測を監視することに焦点を当てている。我々は、実世界のCPSデータセットの研究から洞察を得て、CPSの本質的な不確実性を捉えることができるベイジアンリカレントニューラルネットワーク(RNN)から生成される逐次予測を監視する新しいアプローチを開発した。ベイズ rnn によって予測される無限個の不確かさ列を含む流れをモニターするための新しい論理 \emph{signal temporal logic with uncertainty} (stl-u) を提案する。我々は,フローパイプに含まれるすべてのシーケンスが要求を満たすかどうかに基づいて,STL-Uの強い満足度セマンティクスを定義した。また,フローパイプがSTL-U式を強く(弱く)満たすような信頼度の範囲を計算する手法も開発している。さらに,STL-Uモニタリング結果を利用してベイズRNNにおける不確実性推定を校正する新たな基準を開発する。最後に,提案手法を実世界のデータセットを用いた実験と,STL-Uに基づく予測監視手法がベースラインより優れていることを示すシミュレーションスマートシティケーススタディを用いて評価した。

関連論文リスト

Forking Uncertainties: Reliable Prediction and Model Predictive Control with Sequence Models via Conformal Risk Control [40.918012779935246]
本稿では,事前設計した確率予測器が生成した予測に基づいて,信頼性の高いエラーバーを生成する,新しいポストホックキャリブレーション手法を提案する。最先端技術とは異なり、PTS-CRCはカバレッジ以上の信頼性定義を満たすことができる。 PTS-CRC予測と制御の性能を,無線ネットワークの文脈における多くのユースケースの研究により実験的に検証した。
論文参考訳（メタデータ） (2023-10-16T11:35:41Z)
Variational Inference with Coverage Guarantees in Simulation-Based Inference [18.818573945984873]
コンフォーマル化補正ニューラル変分推論(CANVI)を提案する。 CANVIは各候補に基づいて共形予測器を構築し、予測効率と呼ばれる計量を用いて予測器を比較し、最も効率的な予測器を返す。我々は,CANVIが生成する領域の予測効率の低い境界を証明し,その近似に基づいて,後部近似の品質と予測領域の予測効率の関係について検討する。
論文参考訳（メタデータ） (2023-05-23T17:24:04Z)
Conformal Prediction Intervals for Remaining Useful Lifetime Estimation [5.171601921549565]
対象変数の可能な値の集合を予測することによって不確実性を表す共形予測(CP)フレームワークについて検討する。 CP は、実際の値(真の RUL)が事前特定可能な確実性の度合いで予測セットによってカバーされることを正式に保証する。 3つのCPアルゴリズムを用いて,任意の単一点RUL予測器を共形化し,有効間隔予測器に変換する。
論文参考訳（メタデータ） (2022-12-30T09:34:29Z)
Uncertainty-Aware Performance Prediction for Highly Configurable Software Systems via Bayesian Neural Networks [12.607426130997336]
本稿では,予測モデルに不確実性を組み込むベイズ深層学習手法BDLPerfを提案する。本研究では,ベイズ予測モデルにより生じる信頼区間の信頼性を確保するために,新しい不確実性校正手法を開発した。実世界の10のシステムに対する実験結果から,BDLPerfは既存の手法よりも精度が高いことがわかった。
論文参考訳（メタデータ） (2022-12-27T04:39:26Z)
Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-11-16T06:28:20Z)
Conformal Quantitative Predictive Monitoring of STL Requirements for Stochastic Processes [4.279881803310469]
Signal Temporal Logic (STL) で与えられたプロセスと豊富な仕様をサポートする最初のPM法である textitquantitative predictive monitoring (QPM) を導入する。 QPMは、$phi$の量的(いわゆる頑健な)STLセマンティクスを予測することで満足度を定量的に測定する。合成式を扱うために,我々のモニタをどのように構成的に組み合わせることができるかを示す。
論文参考訳（メタデータ） (2022-11-04T11:08:29Z)
Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文参考訳（メタデータ） (2021-05-28T09:23:05Z)
Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文参考訳（メタデータ） (2021-05-25T14:35:46Z)
Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文参考訳（メタデータ） (2020-12-23T16:21:34Z)
Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文参考訳（メタデータ） (2020-10-08T20:25:52Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。