論文の概要: Safe-by-Repair: A Convex Optimization Approach for Repairing Unsafe
Two-Level Lattice Neural Network Controllers
- arxiv url: http://arxiv.org/abs/2104.02788v1
- Date: Tue, 6 Apr 2021 21:21:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 12:33:55.509578
- Title: Safe-by-Repair: A Convex Optimization Approach for Repairing Unsafe
Two-Level Lattice Neural Network Controllers
- Title（参考訳）: セーフ・バイ・リペア:安全でない二層格子ニューラルネットワークコントローラの修復のための凸最適化手法
- Authors: Ulices Santa Cruz and James Ferlez and Yasser Shoukry
- Abstract要約: 既知の"counterexample"状態における安全でないクローズドループ動作の修復を目指す。
また、別個の検証された状態集合上での安全な閉ループ挙動の概念も保存する。
それぞれの部分問題を解くための十分条件の組が凸実現可能性問題としてキャストできることを示す。
- 参考スコア（独自算出の注目度）: 1.6500749121196987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we consider the problem of repairing a data-trained Rectified
Linear Unit (ReLU) Neural Network (NN) controller for a discrete-time,
input-affine system. That is we assume that such a NN controller is available,
and we seek to repair unsafe closed-loop behavior at one known "counterexample"
state while simultaneously preserving a notion of safe closed-loop behavior on
a separate, verified set of states. To this end, we further assume that the NN
controller has a Two-Level Lattice (TLL) architecture, and exhibit an algorithm
that can systematically and efficiently repair such an network. Facilitated by
this choice, our approach uses the unique semantics of the TLL architecture to
divide the repair problem into two significantly decoupled sub-problems, one of
which is concerned with repairing the un-safe counterexample -- and hence is
essentially of local scope -- and the other of which ensures that the repairs
are realized in the output of the network -- and hence is essentially of global
scope. We then show that one set of sufficient conditions for solving each
these sub-problems can be cast as a convex feasibility problem, and this allows
us to formulate the TLL repair problem as two separate, but significantly
decoupled, convex optimization problems. Finally, we evaluate our algorithm on
a TLL controller on a simple dynamical model of a four-wheel-car.
- Abstract（参考訳）: 本稿では、離散時間入力アフィンシステムにおいて、データ学習されたRectified Linear Unit (ReLU) Neural Network (NN) コントローラを修復する問題を考察する。
すなわち、このようなNNコントローラが利用可能であると仮定し、検証済みの異なる状態の安全な閉ループ動作の概念を同時に保ちながら、既知の"counterexample"状態の安全でない閉ループ動作の修復を試みる。
この目的のために、nnコントローラは2レベル格子(tll)アーキテクチャを持ち、そのようなネットワークを体系的かつ効率的に修復できるアルゴリズムを示すと仮定する。
この選択によって、我々のアプローチでは、TLLアーキテクチャのユニークなセマンティクスを使用して、修復問題を2つの大きく分離されたサブプロブレムに分割します。
次に,各部分問題を解くための十分条件の組を凸実現可能性問題としてキャスティングできることを示し,tll修復問題を分離するが著しく分離された凸最適化問題として定式化できることを示した。
最後に,四輪車のシンプルな動力学的モデルを用いて,TLLコントローラ上でのアルゴリズムの評価を行った。
関連論文リスト
- A Double Tracking Method for Optimization with Decentralized Generalized Orthogonality Constraints [4.6796315389639815]
分散最適化問題は分散制約の存在下では解決できない。
目的関数の勾配と制約写像のヤコビアンを同時に追跡する新しいアルゴリズムを導入する。
合成と実世界の両方のデータセットに数値的な結果を示す。
論文 参考訳（メタデータ） (2024-09-08T06:57:35Z) - Scalable Surrogate Verification of Image-based Neural Network Control Systems using Composition and Unrolling [9.633494094538017]
本研究では,実世界に代わって条件付き生成逆数ネットワーク(cGAN)をイメージジェネレータとして訓練し,サロゲート検証手法を提案する。
我々は、cGANとニューラルネットワークコントローラとともにシステムのダイナミクスを構成することで、一段階のエラーを克服する。
単一ステップの合成を繰り返し、制御ループの複数のステップを大規模ニューラルネットワークに展開することで、マルチステップエラーを低減する。
論文 参考訳（メタデータ） (2024-05-28T19:56:53Z) - The #DNN-Verification Problem: Counting Unsafe Inputs for Deep Neural
Networks [94.63547069706459]
#DNN-Verification問題は、DNNの入力構成の数を数えることによって安全性に反する結果となる。
違反の正確な数を返す新しい手法を提案する。
安全クリティカルなベンチマークのセットに関する実験結果を示す。
論文 参考訳（メタデータ） (2023-01-17T18:32:01Z) - Fully Stochastic Trust-Region Sequential Quadratic Programming for
Equality-Constrained Optimization Problems [62.83783246648714]
目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。
アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
論文 参考訳（メタデータ） (2022-11-29T05:52:17Z) - Automated Repair of Neural Networks [0.26651200086513094]
安全でないNNの安全仕様を修復するためのフレームワークを提案する。
提案手法では,重み値のいくつかを修正して,新しい安全なNN表現を探索することができる。
我々は,提案するフレームワークが安全なNNを実現する能力を示す広範な実験を行った。
論文 参考訳（メタデータ） (2022-07-17T12:42:24Z) - Hybrid ISTA: Unfolding ISTA With Convergence Guarantees Using Free-Form
Deep Neural Networks [50.193061099112626]
学習可能なパラメータを持つディープニューラルネットワーク(DNN)として反復アルゴリズムを展開させることで、線形逆問題を解決することを約束している。
既存のISTAベースのアンフォールドアルゴリズムは、収束を保証するために部分重結合構造で繰り返し更新するネットワークアーキテクチャを制限する。
本論文は,ISTAに基づく非折り畳みアルゴリズムにおける自由形式DNNを実現するための収束証明可能なフレームワークを初めて提供するものである。
論文 参考訳（メタデータ） (2022-04-25T13:17:57Z) - Provable Repair of Deep Neural Networks [8.55884254206878]
ディープニューラルネットワーク(Deep Neural Networks, DNN)は、過去10年間で人気を博し、航空機の衝突回避などの安全上重要な領域で使われている。
本稿では,安全でない動作が見つかるとDNNの修正に対処する。
与えられた仕様を満たす新しいネットワークN'を構築するためにネットワークNを修復する問題である実証可能な修復問題を紹介します。
論文 参考訳（メタデータ） (2021-04-09T15:03:53Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z) - An efficient nonconvex reformulation of stagewise convex optimization
problems [21.61123565780424]
我々は、段階的構造問題を活用するために設計された非改革を開発する。
ニューラルネットワーク検証のアプローチでは、わずか数ステップで急激な局所的なギャップが得られます。
棚から取り出した問題や特殊な解法よりも早く解決できる。
論文 参考訳（メタデータ） (2020-10-27T14:30:32Z) - Global Optimization of Objective Functions Represented by ReLU Networks [77.55969359556032]
ニューラルネットワークは複雑で非敵対的な関数を学ぶことができ、安全クリティカルな文脈でそれらの正しい振る舞いを保証することは困難である。
ネットワーク内の障害を見つけるための多くのアプローチ(例えば、敵の例)があるが、これらは障害の欠如を保証できない。
本稿では,最適化プロセスを検証手順に統合し,本手法よりも優れた性能を実現する手法を提案する。
論文 参考訳（メタデータ） (2020-10-07T08:19:48Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z)
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。