論文の概要: SOCKS: A Stochastic Optimal Control and Reachability Toolbox Using
Kernel Methods
- arxiv url: http://arxiv.org/abs/2203.06290v1
- Date: Sat, 12 Mar 2022 00:09:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 17:45:46.073952
- Title: SOCKS: A Stochastic Optimal Control and Reachability Toolbox Using
Kernel Methods
- Title（参考訳）: SOCKS:カーネル法による確率的最適制御と到達性ツールボックス
- Authors: Adam J. Thorpe, Meeko M. K. Oishi
- Abstract要約: SOCKSは、カーネルメソッドに基づいたデータ駆動の最適制御ツールボックスである。
我々は、SOCKSの主な特徴を示し、いくつかのベンチマークでその能力を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present SOCKS, a data-driven stochastic optimal control toolbox based in
kernel methods. SOCKS is a collection of data-driven algorithms that compute
approximate solutions to stochastic optimal control problems with arbitrary
cost and constraint functions, including stochastic reachability, which seeks
to determine the likelihood that a system will reach a desired target set while
respecting a set of pre-defined safety constraints. Our approach relies upon a
class of machine learning algorithms based in kernel methods, a nonparametric
technique which can be used to represent probability distributions in a
high-dimensional space of functions known as a reproducing kernel Hilbert
space. As a nonparametric technique, kernel methods are inherently data-driven,
meaning that they do not place prior assumptions on the system dynamics or the
structure of the uncertainty. This makes the toolbox amenable to a wide variety
of systems, including those with nonlinear dynamics, black-box elements, and
poorly characterized stochastic disturbances. We present the main features of
SOCKS and demonstrate its capabilities on several benchmarks.
- Abstract（参考訳）: カーネル法に基づくデータ駆動確率的最適制御ツールボックスSOCKSを提案する。
ソックスは、任意のコストと制約関数を持つ確率的最適制御問題の近似解を計算するデータ駆動アルゴリズムの集合であり、事前に定義された一連の安全制約を尊重しながら、システムが所望の目標セットに到達する可能性を決定する確率的到達可能性を含む。
提案手法は,カーネルヒルベルト空間と呼ばれる高次元関数空間における確率分布を表現できる非パラメトリック手法である,カーネル法に基づく機械学習アルゴリズムのクラスに依存している。
非パラメトリック手法として、カーネルメソッドは本質的にデータ駆動であり、システム力学や不確実性の構造に事前の仮定を配置しない。
これにより、ツールボックスは、非線形ダイナミクスを持つもの、ブラックボックス要素、不明瞭な確率的乱れを含む、幅広いシステムに対応できる。
我々はSOCKSの主な特徴を示し、その能力をいくつかのベンチマークで示す。
関連論文リスト
- Kernel Alignment for Unsupervised Feature Selection via Matrix Factorization [8.020732438595905]
教師なしの特徴選択は、いわゆる次元の呪いを和らげるために有効であることが証明されている。
多くの既存行列分解に基づく教師なし特徴選択法は、サブスペース学習に基づいて構築されている。
本稿では,カーネル関数とカーネルアライメントを統合したモデルを構築する。
これにより、線形および非線形の類似情報を学習し、最適なカーネルを自動的に生成することができる。
論文 参考訳（メタデータ） (2024-03-13T20:35:44Z) - Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。
カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。
我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-10-09T03:55:09Z) - Multistage Stochastic Optimization via Kernels [3.7565501074323224]
我々は,多段階最適化問題に対する非パラメトリック,データ駆動,トラクタブルアプローチを開発した。
本稿では,提案手法が最適に近い平均性能で決定ルールを生成することを示す。
論文 参考訳（メタデータ） (2023-03-11T23:19:32Z) - RFFNet: Large-Scale Interpretable Kernel Methods via Random Fourier Features [3.0079490585515347]
RFFNetは1次最適化によってカーネルの関連性をリアルタイムで学習するスケーラブルな手法である。
提案手法はメモリフットプリントが小さく,実行時,予測誤差が低く,関連する特徴を効果的に識別できることを示す。
私たちは、Scikit-learn標準APIと結果を完全に再現するためのコードに準拠した、効率的でPyTorchベースのライブラリをユーザに提供します。
論文 参考訳（メタデータ） (2022-11-11T18:50:34Z) - Tree ensemble kernels for Bayesian optimization with known constraints
over mixed-feature spaces [54.58348769621782]
木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。
ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。
我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
論文 参考訳（メタデータ） (2022-07-02T16:59:37Z) - Meta-Learning Hypothesis Spaces for Sequential Decision-making [79.73213540203389]
オフラインデータ(Meta-KeL)からカーネルをメタ学習することを提案する。
穏やかな条件下では、推定されたRKHSが有効な信頼セットを得られることを保証します。
また,ベイズ最適化におけるアプローチの有効性を実証的に評価した。
論文 参考訳（メタデータ） (2022-02-01T17:46:51Z) - Gaussian Process Uniform Error Bounds with Unknown Hyperparameters for
Safety-Critical Applications [71.23286211775084]
未知のハイパーパラメータを持つ設定において、ロバストなガウス過程の均一なエラー境界を導入する。
提案手法はハイパーパラメータの空間における信頼領域を計算し,モデル誤差に対する確率的上限を求める。
実験により、バニラ法やベイズ法よりもバニラ法の方がはるかに優れていることが示された。
論文 参考訳（メタデータ） (2021-09-06T17:10:01Z) - Random features for adaptive nonlinear control and prediction [15.354147587211031]
本稿では,適応制御と適応予測の両方のためのトラクタブルアルゴリズムを提案する。
未知のダイナミクスを$textitrandom$基底関数の有限拡張で近似する。
注目すべきは、明示的な境界は、システムの根底にあるパラメータに$textitpolynomially$のみ依存するということです。
論文 参考訳（メタデータ） (2021-06-07T13:15:40Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z) - Kernel k-Means, By All Means: Algorithms and Strong Consistency [21.013169939337583]
Kernel $k$クラスタリングは、非線形データの教師なし学習のための強力なツールである。
本稿では,最適化された局所解に対処するための一般的な手法を応用した結果を一般化する。
我々のアルゴリズムは、この非線形分離問題をよりよく解くために、Magricalization-minimization (MM) を利用している。
論文 参考訳（メタデータ） (2020-11-12T16:07:18Z)
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。