論文の概要: Inferring Temporal Logic Properties from Data using Boosted Decision Trees

• arxiv url: http://arxiv.org/abs/2105.11508v1
• Date: Mon, 24 May 2021 19:29:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-26 13:44:35.254370
• Title: Inferring Temporal Logic Properties from Data using Boosted Decision Trees
• Title（参考訳）: ブースト決定木を用いたデータからの時間論理特性の推定
• Authors: Erfan Aasi, Cristian Ioan Vasile, Mahroo Bahreinian, Calin Belta
• Abstract要約: 本論文は,学習に基づくロボット制御の解釈に向けた第一歩である。 本稿では,漸進的な公式と予測学習という新しい学習問題を導入する。 本稿では,弱いが計算コストの低い学習者による予測と性能向上を実現するために,強化された決定木アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 3.4606842570088094
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many autonomous systems, such as robots and self-driving cars, involve real-time decision making in complex environments, and require prediction of future outcomes from limited data. Moreover, their decisions are increasingly required to be interpretable to humans for safe and trustworthy co-existence. This paper is a first step towards interpretable learning-based robot control. We introduce a novel learning problem, called incremental formula and predictor learning, to generate binary classifiers with temporal logic structure from time-series data. The classifiers are represented as pairs of Signal Temporal Logic (STL) formulae and predictors for their satisfaction. The incremental property provides prediction of labels for prefix signals that are revealed over time. We propose a boosted decision-tree algorithm that leverages weak, but computationally inexpensive, learners to increase prediction and runtime performance. The effectiveness and classification accuracy of our algorithms are evaluated on autonomous-driving and naval surveillance case studies.
• Abstract（参考訳）: ロボットや自動運転車のような多くの自律システムは、複雑な環境でのリアルタイム意思決定を伴い、限られたデータから将来の結果を予測する必要がある。 さらに、彼らの決定は、安全で信頼できる共存のために人間に解釈されることがますます求められている。 本論文は, 解釈可能な学習型ロボット制御への第一歩である。 時系列データから時間論理構造を持つバイナリ分類器を生成するために,逐次式と予測学習という新たな学習問題を導入する。 分類器は、その満足度に対する信号時間論理(STL)公式と予測器のペアとして表現される。 インクリメンタルプロパティは、時間とともに現れるプレフィックス信号のラベルの予測を提供する。 本研究では,弱いが計算コストが安い学習者を活用して,予測と実行時の性能を向上させる決定木アルゴリズムを提案する。 本アルゴリズムの有効性と分類精度を,自律走行および海軍監視事例研究で評価した。

関連論文リスト

• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• 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)
• A review of predictive uncertainty estimation with machine learning [0.0]
  機械学習アルゴリズムを用いて予測不確実性推定の話題を概観する。 我々は確率的予測を評価するための関連する指標(一貫性スコアリング関数と適切なスコアリングルール)について論じる。 このレビューでは、ユーザーのニーズに合わせて新しいアルゴリズムを開発する方法についての理解を深める。
  論文  参考訳（メタデータ） (2022-09-17T10:36:30Z)
• Predicting highway lane-changing maneuvers: A benchmark analysis of machine and ensemble learning algorithms [0.0]
  異なる機械学習とアンサンブル学習の分類手法をルールベースモデルと比較する。 速度の遅い車線から速い車線まで) と折りたたみ式の2種類の車線変更操作を予測した。 もしルールベースのモデルが、特に折りたたみの場合の予測精度に制限を与えているなら、モデリングバイアスを欠いたデータベースのアルゴリズムは、大幅な予測改善を可能にします。
  論文  参考訳（メタデータ） (2022-04-20T22:55:59Z)
• Time-Incremental Learning from Data Using Temporal Logics [3.167882687550935]
  本稿では,プレフィックス信号と呼ばれる,時間とともに漸進的に受信される信号のラベルを予測する手法を提案する。 与えられたデータセットから有限個の信号時間論理(STL)仕様を生成するための,決定木に基づく新しい手法を提案する。 本アルゴリズムの有効性と分類性能を,都市交通と海軍監視ケーススタディで評価した。
  論文  参考訳（メタデータ） (2021-12-28T21:32:00Z)
• Improving Prediction Confidence in Learning-Enabled Autonomous Systems [2.66512000865131]
  予測の信頼性を向上させるために,分類に使用される学習可能なコンポーネントと自律システムのセンサとのフィードバックループを利用する。 本稿では,三重項ネットワークアーキテクチャに基づく帰納的等角予測(ICP)を用いた分類器を設計し,テスト例とトレーニング例の類似性を定量化するための表現を学習する。 センサに新しい入力を問い合わせるフィードバックループを使用して、予測をさらに洗練し、分類精度を高める。
  論文  参考訳（メタデータ） (2021-10-07T00:40:34Z)
• Classification of Time-Series Data Using Boosted Decision Trees [3.4606842570088094]
  時系列データ分類は、ロボットや自動運転車のような自律システムの分析と制御の中心である。 現在のフレームワークは、自律運転のような現実世界のアプリケーションでは不正確か、あるいは解釈性に欠ける長く複雑な公式を生成する。 本稿では,信号時間論理(STL)式を表すバイナリ分類器を生成するために,BCDT(Boosted Concise Decision Trees)と呼ばれる新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-01T15:28:26Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Network Classifiers Based on Social Learning [71.86764107527812]
  空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。 提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。 この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
  論文  参考訳（メタデータ） (2020-10-23T11:18:20Z)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)
• Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
  異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。 我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。 我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
  論文  参考訳（メタデータ） (2020-04-15T15:58:05Z)

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。