論文の概要: Falsification of Cyber-Physical Systems using Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2209.06735v3
- Date: Wed, 12 Feb 2025 09:32:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-13 13:44:34.632239
- Title: Falsification of Cyber-Physical Systems using Bayesian Optimization
- Title（参考訳）: ベイジアン最適化を用いたサイバー物理システムのファルシフィケーション
- Authors: Zahra Ramezani, Kenan Šehić, Luigi Nardi, Knut Åkesson,
- Abstract要約: サイバー物理システム(CPS)は、しばしば複雑で安全に重要であり、システムの仕様が満たされることを確実にすることが困難かつ決定的に重要である。
シミュレーションベースのファルシフィケーションは、CPSの正確性に対する信頼性を高めるための実践的なテスト手法である。
本研究では,サロゲートモデルを学習し,入力信号のパラメータ化と仕様評価の関係を捉える。
- 参考スコア（独自算出の注目度）: 4.164131508933521
- License:
- Abstract: Cyber-physical systems (CPSs) are often complex and safety-critical, making it both challenging and crucial to ensure that the system's specifications are met. Simulation-based falsification is a practical testing technique for increasing confidence in a CPS's correctness, as it only requires that the system be simulated. Reducing the number of computationally intensive simulations needed for falsification is a key concern. In this study, we investigate Bayesian optimization (BO), a sample-efficient approach that learns a surrogate model to capture the relationship between input signal parameterization and specification evaluation. We propose two enhancements to the basic BO for improving falsification: (1) leveraging local surrogate models, and (2) utilizing the user's prior knowledge. Additionally, we address the formulation of acquisition functions for falsification by proposing and evaluating various alternatives. Our benchmark evaluation demonstrates significant improvements when using local surrogate models in BO for falsifying challenging benchmark examples. Incorporating prior knowledge is found to be especially beneficial when the simulation budget is constrained. For some benchmark problems, the choice of acquisition function noticeably impacts the number of simulations required for successful falsification.
- Abstract（参考訳）: サイバー物理システム(CPS)は、しばしば複雑で安全に重要であり、システムの仕様が満たされることを確実にすることが困難かつ決定的に重要である。
シミュレーションベースのファルシフィケーションは、CPSの正確性に対する信頼性を高めるための実践的なテスト手法である。
ファルシフィケーションに必要な計算集約的なシミュレーションの数を減らすことが重要な関心事である。
本研究では,入力信号のパラメータ化と仕様評価の関係を捉えるために,サロゲートモデルを学習するサンプル効率のよいベイズ最適化(BO)について検討する。
本研究では,1)局所的な代理モデルを活用すること,2)ユーザの事前知識を活用すること,である。
さらに, 様々な代替案を提案し, 評価することで, ファルシフィケーションのための獲得関数の定式化に対処する。
筆者らのベンチマーク評価では, BOにおける局所代理モデルを用いて, 挑戦的なベンチマーク例を偽装する際の顕著な改善が示されている。
シミュレーション予算が制約されている場合、事前知識を組み込むことは特に有益である。
いくつかのベンチマーク問題では、獲得関数の選択はファルシフィケーションの成功に必要なシミュレーションの数に顕著に影響を及ぼす。
関連論文リスト
- Scoring Verifiers: Evaluating Synthetic Verification in Code and Reasoning [59.25951947621526]
本稿では,合成検証手法が解の正当性評価に与える影響を評価するためのベンチマークを紹介する。
我々は,標準,推論,報酬に基づくLLMにおける合成検証手法を解析した。
その結果,最近の推論モデルではテストケースの生成が大幅に改善され,スケールテストケースの精度が向上した。
論文 参考訳（メタデータ） (2025-02-19T15:32:11Z) - Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。
BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。
我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
論文 参考訳（メタデータ） (2024-12-03T19:20:08Z) - Autoformulation of Mathematical Optimization Models Using LLMs [50.030647274271516]
商用問題解決者のための自然言語記述から最適化モデルを作成するための自動アプローチを開発する。
本稿では,(1)問題依存仮説空間の定義,(2)不確実性の下でこの空間を効率的に探索すること,(3)定式化の正しさを評価すること,の3つの課題を同定する。
論文 参考訳（メタデータ） (2024-11-03T20:41:38Z) - Optimizing Falsification for Learning-Based Control Systems: A Multi-Fidelity Bayesian Approach [40.58350379106314]
ファルシフィケーション問題は システムの安全要件に反する 反例を識別することです
本稿では,様々な精度でシミュレータを利用する多要素ベイズ最適化ファルシフィケーションフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-12T14:51:03Z) - Calibrating Bayesian Learning via Regularization, Confidence Minimization, and Selective Inference [37.82259435084825]
適切に校正されたAIモデルは、その精度を分布内入力(ID)に正しく報告し、また、分布外入力(OOD)の検出を可能にする必要がある。
本稿では、キャリブレーション正則化を統合した変分推論(VI)に基づくベイズ学習の拡張を提案する。
論文 参考訳（メタデータ） (2024-04-17T13:08:26Z) - Zero-Shot Sharpness-Aware Quantization for Pre-trained Language Models [88.80146574509195]
量子化は、メモリオーバーヘッドを減らし、推論を加速するための有望なアプローチである。
種々のPLMのゼロショット量子化のための新しい量子化(ZSAQ)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-20T07:09:56Z) - Physics-Driven ML-Based Modelling for Correcting Inverse Estimation [6.018296524383859]
この研究は、SAE逆問題にそれらを採用する前に失敗した状態推定を検出し、修正することに焦点を当てている。
本稿では,低エラーと高効率の両方を実現することを目的として,GEESEという新しい手法を提案する。
GEESEは3つの実世界のSAE逆問題でテストされ、最先端の最適化/探索手法と比較される。
論文 参考訳（メタデータ） (2023-09-25T09:37:19Z) - Simulation-to-reality UAV Fault Diagnosis with Deep Learning [20.182411473467656]
そこで本研究では,四重項の故障診断におけるシミュレーションと現実のギャップに対処する深層学習モデルを提案する。
提案手法はプロペラ断層の検出において96%の精度を実現する。
これは4段プロペラのシミュレーション・トゥ・リアル故障診断のための信頼性と効率のよい最初の方法である。
論文 参考訳（メタデータ） (2023-02-09T02:37:48Z) - Falsification of Learning-Based Controllers through Multi-Fidelity
Bayesian Optimization [34.71695000650056]
ベイズ最適化を用いた多要素ファリシフィケーションフレームワークを提案する。
本手法では,低忠実度シミュレータからの安価な不正確な情報と高忠実度シミュレータからの高価で正確な情報とを自動的に切り替えることができる。
論文 参考訳（メタデータ） (2022-12-28T22:48:42Z) - Exploring validation metrics for offline model-based optimisation with
diffusion models [50.404829846182764]
モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。
モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。
本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
論文 参考訳（メタデータ） (2022-11-19T16:57:37Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳（メタデータ） (2022-11-16T00:11:04Z)
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。