論文の概要: Failure-averse Active Learning for Physics-constrained Systems
- arxiv url: http://arxiv.org/abs/2110.14443v1
- Date: Wed, 27 Oct 2021 14:01:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 17:27:59.244666
- Title: Failure-averse Active Learning for Physics-constrained Systems
- Title（参考訳）: 物理制約系の故障回避能動学習
- Authors: Cheolhei Lee, Xing Wang, Jianguo Wu, and Xiaowei Yue
- Abstract要約: 本研究では,システムを管理する暗黙の物理制約を考慮した,新しい能動的学習手法を開発した。
提案手法は, 対象モデルの分散を低減するために安全な領域を探索し, 制約の確率モデルを利用して探索可能な領域を拡張することを目的としている。
この方法は、Tsai-wu基準を用いた材料故障を考慮した複合胴体組立プロセスに適用され、明示的な故障領域の知識を必要とせず、ゼロフェイルを達成することができる。
- 参考スコア（独自算出の注目度）: 7.701064815584088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Active learning is a subfield of machine learning that is devised for design
and modeling of systems with highly expensive sampling costs. Industrial and
engineering systems are generally subject to physics constraints that may
induce fatal failures when they are violated, while such constraints are
frequently underestimated in active learning. In this paper, we develop a novel
active learning method that avoids failures considering implicit physics
constraints that govern the system. The proposed approach is driven by two
tasks: the safe variance reduction explores the safe region to reduce the
variance of the target model, and the safe region expansion aims to extend the
explorable region exploiting the probabilistic model of constraints. The global
acquisition function is devised to judiciously optimize acquisition functions
of two tasks, and its theoretical properties are provided. The proposed method
is applied to the composite fuselage assembly process with consideration of
material failure using the Tsai-wu criterion, and it is able to achieve
zero-failure without the knowledge of explicit failure regions.
- Abstract（参考訳）: アクティブ・ラーニングは、高価なサンプリングコストのシステムの設計とモデリングのために開発された機械学習のサブフィールドである。
産業と工学のシステムは通常、物理の制約を受けており、それらが違反した場合に致命的な失敗を引き起こす可能性がある。
本稿では,本システムを管理する暗黙の物理制約を考慮した新しい能動的学習手法を提案する。
安全な分散低減は、対象モデルの分散を減らすための安全な領域を探索し、安全な領域の拡張は、確率的制約モデルを活用した探索可能な領域を拡張することを目的としている。
グローバル獲得関数は、2つのタスクの獲得機能を公平に最適化するために考案され、その理論的特性を提供する。
提案手法はtsai-wu基準を用いた材料故障を考慮した複合胴体組立プロセスに適用され, 明示的な故障領域の知識を必要とせずにゼロ障害を実現できる。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - Validity Learning on Failures: Mitigating the Distribution Shift in Autonomous Vehicle Planning [2.3558144417896583]
計画問題は、自律運転フレームワークの基本的な側面を構成する。
この問題に対処するための対策として,失敗に対する妥当性学習,VL(on failure)を提案する。
VL(on failure)は最先端の手法よりも大きなマージンで優れていることを示す。
論文 参考訳（メタデータ） (2024-06-03T17:25:18Z) - Near-Optimal Solutions of Constrained Learning Problems [85.48853063302764]
機械学習システムでは、振る舞いを縮小する必要性がますます顕在化している。
これは、双対ロバスト性変数を満たすモデルの開発に向けた最近の進歩によって証明されている。
この結果から, 豊富なパラメトリゼーションは非次元的, 有限な学習問題を効果的に緩和することが示された。
論文 参考訳（メタデータ） (2024-03-18T14:55:45Z) - Towards a Framework for Deep Learning Certification in Safety-Critical Applications Using Inherently Safe Design and Run-Time Error Detection [0.0]
航空や他の安全上重要な分野における現実世界の問題について検討し,認定モデルの要件について検討する。
我々は、(i)本質的に安全な設計と(ii)実行時のエラー検出に基づいて、ディープラーニング認定に向けた新しいフレームワークを構築した。
論文 参考訳（メタデータ） (2024-03-12T11:38:45Z) - Hierarchical Framework for Interpretable and Probabilistic Model-Based
Safe Reinforcement Learning [1.3678669691302048]
本稿では,安全クリティカルシステムにおける深層強化学習の新たなアプローチを提案する。
確率論的モデリングと強化学習の利点と、解釈可能性の利点を兼ね備えている。
論文 参考訳（メタデータ） (2023-10-28T20:30:57Z) - Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。
我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文 参考訳（メタデータ） (2023-06-04T18:14:18Z) - Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。
本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-27T14:47:52Z) - Learning to Generate All Feasible Actions [4.333208181196761]
アクションマッピングは、学習プロセスを2つのステップに分割する新しいアプローチである。
本稿では、実現可能性モデルの自己教師型クエリにより、実現可能なすべてのアクションを生成することを学ぶことで、実現可能性部分に焦点を当てる。
エージェントが接続不能な実行可能なアクションセット間でアクションを生成する能力を示す。
論文 参考訳（メタデータ） (2023-01-26T23:15:51Z) - Self-Destructing Models: Increasing the Costs of Harmful Dual Uses of
Foundation Models [103.71308117592963]
本稿ではメタラーニングと逆学習の技法を活用した自己破壊モデルの学習アルゴリズムを提案する。
小規模な実験では、MLACは、BERTスタイルのモデルが性別識別を行うために再目的化されることをほとんど防ぐことができることを示す。
論文 参考訳（メタデータ） (2022-11-27T21:43:45Z) - Safe-Critical Modular Deep Reinforcement Learning with Temporal Logic
through Gaussian Processes and Control Barrier Functions [3.5897534810405403]
強化学習(Reinforcement Learning, RL)は,現実のアプリケーションに対して限られた成功を収める,有望なアプローチである。
本稿では,複数の側面からなる学習型制御フレームワークを提案する。
ECBFをベースとしたモジュラーディープRLアルゴリズムは,ほぼ完全な成功率を達成し,高い確率で安全性を保護することを示す。
論文 参考訳（メタデータ） (2021-09-07T00:51:12Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳（メタデータ） (2021-03-26T02:42:33Z)
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。