論文の概要: Uncertainty-Aware Signal Temporal logic
- arxiv url: http://arxiv.org/abs/2105.11545v1
- Date: Mon, 24 May 2021 21:26:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 14:14:59.662415
- Title: Uncertainty-Aware Signal Temporal logic
- Title（参考訳）: 不確実性を考慮した信号時間論理
- Authors: Nasim Baharisangari, Jean-Rapha\"el Gaglione, Daniel Neider, Ufuk
Topcu, Zhe Xu
- Abstract要約: 既存の時間論理推論手法は、データの不確かさをほとんど無視する。
本稿では,不確実性を考慮した信号時間論理(STL)推論手法を提案する。
- 参考スコア（独自算出の注目度）: 21.626420725274208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal logic inference is the process of extracting formal descriptions of
system behaviors from data in the form of temporal logic formulas. The existing
temporal logic inference methods mostly neglect uncertainties in the data,
which results in limited applicability of such methods in real-world
deployments. In this paper, we first investigate the uncertainties associated
with trajectories of a system and represent such uncertainties in the form of
interval trajectories. We then propose two uncertainty-aware signal temporal
logic (STL) inference approaches to classify the undesired behaviors and
desired behaviors of a system. Instead of classifying finitely many
trajectories, we classify infinitely many trajectories within the interval
trajectories. In the first approach, we incorporate robust semantics of STL
formulas with respect to an interval trajectory to quantify the margin at which
an STL formula is satisfied or violated by the interval trajectory. The second
approach relies on the first learning algorithm and exploits the decision tree
to infer STL formulas to classify behaviors of a given system. The proposed
approaches also work for non-separable data by optimizing the worst-case
robustness in inferring an STL formula. Finally, we evaluate the performance of
the proposed algorithms in two case studies, where the proposed algorithms show
reductions in the computation time by up to four orders of magnitude in
comparison with the sampling-based baseline algorithms (for a dataset with 800
sampled trajectories in total).
- Abstract（参考訳）: 時間論理推論は、時間論理公式の形式でデータからシステム行動の形式的記述を抽出する過程である。
既存の時間論理推論手法はデータの不確かさをほとんど無視しており、実際の展開においてそのような手法の適用性は限られている。
本稿では,まずシステムの軌跡に関連する不確実性について検討し,その不確実性を区間軌跡の形で表現する。
そこで本研究では,不確実性認識信号時相論理(stl)の2つの推論手法を提案する。
有限個の軌跡を分類する代わりに、区間軌跡内の無限個の軌跡を分類する。
第1のアプローチでは、区間軌道に関してstl公式のロバストな意味論を取り入れ、区間軌道によってstl公式が満たされたり破られたりする限界を定量化する。
第2のアプローチは、最初の学習アルゴリズムに依存し、決定木を利用してSTL式を推論し、与えられたシステムの振る舞いを分類する。
提案手法は,STL式を推定する際の最悪ケースロバスト性を最適化することにより,非分離データに対しても有効である。
最後に,提案アルゴリズムの性能を2つのケーススタディで評価し,提案アルゴリズムは,サンプリングベースベースラインアルゴリズムと比較して最大4桁の計算時間を削減できることを示した(合計800のサンプリングトラジェクタを持つデータセットの場合)。
関連論文リスト
- Learning Optimal Signal Temporal Logic Decision Trees for Classification: A Max-Flow MILP Formulation [5.924780594614676]
本稿では,データから時間的時間的論理特性を推定するための新しい枠組みを提案する。
混合整数線形プログラミング最適化問題として推論過程を定式化する。
結果木に最大フローアルゴリズムを適用すると、この問題はグローバルな最適化問題に変換される。
我々は,2クラス,複数クラス,複雑な式分類シナリオを含む3つのケーススタディを実施している。
論文 参考訳（メタデータ） (2024-07-30T16:56:21Z) - Learning Temporal Logic Predicates from Data with Statistical Guarantees [0.0]
有限サンプル精度保証データから時間論理の述語を学習する新しい手法を提案する。
提案手法は,表現最適化と共形予測を利用して,将来の軌跡を正しく記述した述語を学習する。
論文 参考訳（メタデータ） (2024-06-15T00:07:36Z) - Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。
本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。
提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
論文 参考訳（メタデータ） (2024-05-22T22:22:25Z) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳（メタデータ） (2023-06-13T01:18:16Z) - Learning Temporal Logic Properties: an Overview of Two Recent Methods [27.929058359327186]
正あるいは負とラベル付けされた例から線形時間論理(LTL)公式を学習することで、システムの振る舞いの記述を推測することが可能になる。
2つの異なる問題設定における例から公式を学習する2つの方法を提案する。
論文 参考訳（メタデータ） (2022-12-02T00:32:09Z) - An Accelerated Doubly Stochastic Gradient Method with Faster Explicit
Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。
まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文 参考訳（メタデータ） (2022-08-11T22:27:22Z) - Statistical Inference for the Dynamic Time Warping Distance, with
Application to Abnormal Time-Series Detection [29.195884642878422]
本研究では,不確実な環境下での2つの時系列間の類似性と距離に関する統計的推測について検討した。
本稿では,DTW距離上で有効な推論手法を導出する条件選択推論フレームワークを提案する。
提案手法の有効性を,合成データと実世界のデータの両方で評価する。
論文 参考訳（メタデータ） (2022-02-14T10:28:51Z) - Single-Timescale Stochastic Nonconvex-Concave Optimization for Smooth
Nonlinear TD Learning [145.54544979467872]
本稿では,各ステップごとに1つのデータポイントしか必要としない2つの単一スケールシングルループアルゴリズムを提案する。
本研究の結果は, 同時一次および二重側収束の形で表される。
論文 参考訳（メタデータ） (2020-08-23T20:36:49Z) - Run2Survive: A Decision-theoretic Approach to Algorithm Selection based
on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。
我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。
標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文 参考訳（メタデータ） (2020-07-06T15:20:17Z) - Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。
この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。
古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文 参考訳（メタデータ） (2020-07-01T18:43:32Z) - Data-Driven Verification under Signal Temporal Logic Constraints [0.0]
力学が部分的に不明な不確実性のあるシステムを考える。
本研究の目的は,そのようなシステムの軌道による時間論理特性の満足度について研究することである。
本研究では, ベイズ推定手法を用いて, 信頼度と満足度を関連づける。
論文 参考訳（メタデータ） (2020-05-08T08:32:30Z)
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。