論文の概要: Abstraction-Refinement for Hierarchical Probabilistic Models

• arxiv url: http://arxiv.org/abs/2206.02653v1
• Date: Mon, 6 Jun 2022 14:44:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 20:42:08.758602
• Title: Abstraction-Refinement for Hierarchical Probabilistic Models
• Title（参考訳）: 階層的確率モデルのための抽象再定義
• Authors: Sebastian Junges, Matthijs T. J. Spaan
• Abstract要約: 我々はマルコフ決定過程を検証するために、繰り返し部分を持つ階層構造を利用する。 本稿では,サブルーチンがシステム全体に与える影響を限定した局所的なケースに着目した。 このようなプログラムの分析を加速する鍵となる考え方は、(1)サブルーチンの挙動を不確かさとして扱い、必要であれば詳細な分析によってこの不確実性を取り除くこと、(2)類似サブルーチンをパラメトリックテンプレートに抽象化し、次にこのテンプレートを分析することである。
• 参考スコア（独自算出の注目度）: 8.959154445409057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Markov decision processes are a ubiquitous formalism for modelling systems with non-deterministic and probabilistic behavior. Verification of these models is subject to the famous state space explosion problem. We alleviate this problem by exploiting a hierarchical structure with repetitive parts. This structure not only occurs naturally in robotics, but also in probabilistic programs describing, e.g., network protocols. Such programs often repeatedly call a subroutine with similar behavior. In this paper, we focus on a local case, in which the subroutines have a limited effect on the overall system state. The key ideas to accelerate analysis of such programs are (1) to treat the behavior of the subroutine as uncertain and only remove this uncertainty by a detailed analysis if needed, and (2) to abstract similar subroutines into a parametric template, and then analyse this template. These two ideas are embedded into an abstraction-refinement loop that analyses hierarchical MDPs. A prototypical implementation shows the efficacy of the approach.
• Abstract（参考訳）: マルコフ決定過程 (Markov decision process) は、非決定的および確率的振る舞いを持つシステムをモデル化するためのユビキタス形式である。 これらのモデルの検証は、有名な状態の宇宙爆発問題の対象となっている。 繰り返し部品を持つ階層構造を利用してこの問題を軽減する。 この構造は、ロボット工学だけでなく、ネットワークプロトコルなどを記述する確率的プログラムでも自然に発生する。 このようなプログラムは、しばしば類似した振る舞いを持つサブルーチンを呼び出す。 本稿では,サブルーチンがシステム全体の状態に与える影響を限定したローカルケースに注目した。 このようなプログラムの分析を加速する鍵となる考え方は、(1)サブルーチンの挙動を不確かさとして扱い、必要であれば詳細な分析によってこの不確実性を取り除くこと、(2)類似サブルーチンをパラメトリックテンプレートに抽象化し、次にこのテンプレートを分析することである。 これらの2つのアイデアは、階層的MDPを解析する抽象リファインメントループに埋め込まれる。 プロトタイプの実装は、アプローチの有効性を示している。

関連論文リスト

• Improving Probabilistic Bisimulation for MDPs Using Machine Learning [0.0]
  本稿では,与えられたモデルの状態空間を確率的ビシミュレーションクラスに分割する新しい手法を提案する。 このアプローチは、最先端のツールと比較して、実行時間を著しく削減できる。
  論文  参考訳（メタデータ） (2023-07-30T12:58:12Z)
• Splitter Orderings for Probabilistic Bisimulation [0.0]
  本稿では,与えられた確率モデルの状態空間をバイシミュレートクラスに分割する反復過程を高速化する手法を提案する。 提案手法はいくつかのケーススタディに基づいて実装され,実行時間を平均1桁削減する。
  論文  参考訳（メタデータ） (2023-07-17T16:30:19Z)
• Assembly Planning from Observations under Physical Constraints [65.83676649042623]
  提案アルゴリズムは, 物理安定性制約, 凸最適化, モンテカルロ木探索の簡単な組み合わせを用いて, 集合を計画する。 それは効率的で、最も重要なことは、オブジェクト検出のエラーに対して堅牢であり、実際のロボットシステムでは避けられないポーズ推定である。
  論文  参考訳（メタデータ） (2022-04-20T16:51:07Z)
• Abstracting Noisy Robot Programs [17.04153879817609]
  本稿では,確率的および動的システムの抽象化へのアプローチについて述べる。 確率論的信念を持つ状況計算の変種に基づいて、バイシミュレーションの概念を定義する。 我々は、不要な詳細を省略し、実際の実行のために詳細なプログラムに変換できる抽象的なGologプログラムを得る。
  論文  参考訳（メタデータ） (2022-04-07T16:04:19Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Symbolic Regression by Exhaustive Search: Reducing the Search Space Using Syntactical Constraints and Efficient Semantic Structure Deduplication [2.055204980188575]
  シンボリック回帰は、モデル構造に関する事前の知識が得られない産業シナリオにおいて、強力なシステム識別技術である。 この章では、これらの問題に対処するために特別に設計された決定論的シンボリック回帰アルゴリズムを紹介します。 全ての可能なモデルの有限列挙は、構造的制約と意味論的に等価な解を検出するキャッシング機構によって保証される。
  論文  参考訳（メタデータ） (2021-09-28T17:47:51Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
  確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。 我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。 まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
  論文  参考訳（メタデータ） (2020-08-19T16:04:34Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Probabilistic Performance-Pattern Decomposition (PPPD): analysis framework and applications to stochastic mechanical systems [8.975760915194765]
  本稿では,システムの挙動に関する構造的特徴を得るための枠組みを提案する。 このフレームワークは Probabilistic Performance-Pattern Decomposition (PPPD) と名付けられた。
  論文  参考訳（メタデータ） (2020-03-04T17:18:43Z)

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。