論文の概要: A Neurosymbolic Approach to the Verification of Temporal Logic
Properties of Learning enabled Control Systems
- arxiv url: http://arxiv.org/abs/2303.05394v1
- Date: Tue, 7 Mar 2023 04:08:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 13:54:12.260193
- Title: A Neurosymbolic Approach to the Verification of Temporal Logic
Properties of Learning enabled Control Systems
- Title（参考訳）: 学習可能な制御系の時間的論理特性の検証に対するニューロシンボリックアプローチ
- Authors: Navid Hashemi, Bardh Hoxha, Tomoya Yamaguchi, Danil Prokhorov, Geogios
Fainekos, Jyotirmoy Deshmukh
- Abstract要約: 本稿では,一般的なSTL仕様に対するニューラルネットワーク(NN)コントローラの検証モデルを提案する。
また、一般的なアクティベーション機能を持つニューラルネットワークコントローラに対する新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Signal Temporal Logic (STL) has become a popular tool for expressing formal
requirements of Cyber-Physical Systems (CPS). The problem of verifying STL
properties of neural network-controlled CPS remains a largely unexplored
problem. In this paper, we present a model for the verification of Neural
Network (NN) controllers for general STL specifications using a custom neural
architecture where we map an STL formula into a feed-forward neural network
with ReLU activation. In the case where both our plant model and the controller
are ReLU-activated neural networks, we reduce the STL verification problem to
reachability in ReLU neural networks. We also propose a new approach for neural
network controllers with general activation functions; this approach is a sound
and complete verification approach based on computing the Lipschitz constant of
the closed-loop control system. We demonstrate the practical efficacy of our
techniques on a number of examples of learning-enabled control systems.
- Abstract（参考訳）: Signal Temporal Logic (STL) は,Cyber-Physical Systems (CPS) の正式な要件を表現するツールとして人気がある。
ニューラルネットワーク制御cpsのstl特性を検証する問題は、ほとんど解明されていない。
本稿では、STL公式をReLUアクティベートしたフィードフォワードニューラルネットワークにマッピングするカスタムニューラルネットワークアーキテクチャを用いて、一般的なSTL仕様に対するニューラルネットワーク(NN)コントローラの検証モデルを提案する。
プラントモデルとコントローラの両方がReLU活性化ニューラルネットワークである場合、STL検証問題をReLUニューラルネットワークの到達性に還元する。
また,本手法は,クローズドループ制御系のリプシッツ定数の計算に基づく音響的完全検証手法である。
本稿では,学習可能な制御システムの実例について,本手法の実用性を示す。
関連論文リスト
- Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。
本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文 参考訳（メタデータ） (2024-09-17T04:48:45Z) - Verification of Neural Network Control Systems in Continuous Time [1.5695847325697108]
本研究では,連続的なニューラルネットワーク制御系に対する最初の検証手法を開発した。
ニューラルネットワークコントローラをモデル化するための抽象化レベルを追加することで、これを実現する。
視覚に基づく自律型飛行機タクシーシステムに適用することで,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-05-31T19:39:48Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Learning Robust and Correct Controllers from Signal Temporal Logic
Specifications Using BarrierNet [5.809331819510702]
我々は,STL定量的セマンティクスを利用して,ロバスト満足度の概念を定義した。
本研究では,STLのフラグメント内の式を満足させる訓練可能な高次制御バリア関数(HOCBF)を構築する。
我々は、他のニューラルネットワークパラメータとともにHOCBFをトレーニングし、コントローラの堅牢性をさらに向上させる。
論文 参考訳（メタデータ） (2023-04-12T21:12:15Z) - Learning to Precode for Integrated Sensing and Communications Systems [11.689567114100514]
我々はISACシステムのための送信プリコーダを設計するための教師なし学習ニューラルモデルを提案する。
提案手法は,チャネル推定誤差が存在する場合,従来の最適化手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-03-11T11:24:18Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Learning in Deep Neural Networks Using a Biologically Inspired Optimizer [5.144809478361604]
人工神経(ANN)とスパイクニューラルネット(SNN)にインスパイアされた新しい生物モデルを提案する。
GRAPESは、ニューラルネットワークの各ノードにおけるエラー信号の重量分布依存変調を実装している。
生物学的にインスパイアされたこのメカニズムは,ネットワークの収束率を体系的に改善し,ANNやSNNの分類精度を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2021-04-23T13:50:30Z) - Model-Based Safe Policy Search from Signal Temporal Logic Specifications
Using Recurrent Neural Networks [1.005130974691351]
本稿では,STL (Signal Temporal Logic) の仕様からコントローラを学習するためのポリシー探索手法を提案する。
システムモデルは未知であり、制御ポリシとともに学習される。
その結果,本手法は非常に少ないシステム実行で所定の仕様を満たせることが明らかとなり,オンライン制御に活用できる可能性が示唆された。
論文 参考訳（メタデータ） (2021-03-29T20:21:55Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-02T15:38:44Z) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳（メタデータ） (2020-06-02T23:38:35Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。