論文の概要: MULTIGAIN 2.0: MDP controller synthesis for multiple mean-payoff, LTL
and steady-state constraints
- arxiv url: http://arxiv.org/abs/2305.16752v1
- Date: Fri, 26 May 2023 08:59:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 15:59:56.937628
- Title: MULTIGAIN 2.0: MDP controller synthesis for multiple mean-payoff, LTL
and steady-state constraints
- Title(参考訳): MultiGAIN 2.0:マルチ平均ペイオフ, LTL, 定常制約に対するMPPコントローラ合成
- Authors: Severin Bals, Alexandros Evangelidis, Kush Grover, Jan Kretinsky,
Jakob Waibel
- Abstract要約: 我々は、コントローラ合成ツールMultiGainのメジャー拡張であるMultiGAIN 2.0を提案する。
この新バージョンはMultiGainの多目的能力を拡張し、確率システムのコントローラの形式的検証と合成を可能にする。
- 参考スコア(独自算出の注目度): 58.720142291102135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present MULTIGAIN 2.0, a major extension to the controller synthesis tool
MultiGain, built on top of the probabilistic model checker PRISM. This new
version extends MultiGain's multi-objective capabilities, by allowing for the
formal verification and synthesis of controllers for probabilistic systems with
multi-dimensional long-run average reward structures, steady-state constraints,
and linear temporal logic properties. Additionally, MULTIGAIN 2.0 provides an
approach for finding finite memory solutions and the capability for two- and
three-dimensional visualization of Pareto curves to facilitate trade-off
analysis in multi-objective scenarios
- Abstract(参考訳): 本稿では,確率論的モデルチェッカーPRISM上に構築された,コントローラ合成ツールMultiGainのメジャー拡張であるMultiGAIN 2.0を提案する。
この新しいバージョンはマルチギャインの多目的機能を拡張し、多次元のロングラン平均報酬構造、定常制約、線形時相論理特性を持つ確率システムに対するコントローラの形式的検証と合成を可能にする。
さらに、multigain 2.0は有限メモリソリューションを見つけるためのアプローチを提供し、多目的シナリオにおけるトレードオフ解析を容易にするためにパレート曲線の二次元および三次元可視化能力を提供する。
関連論文リスト
- When Parameter-efficient Tuning Meets General-purpose Vision-language
Models [65.19127815275307]
PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。
実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-16T17:13:08Z) - Exploiting Modality-Specific Features For Multi-Modal Manipulation
Detection And Grounding [54.49214267905562]
マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。
本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。
本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
論文 参考訳(メタデータ) (2023-09-22T06:55:41Z) - All in One: Exploring Unified Vision-Language Tracking with Multi-Modal
Alignment [23.486297020327257]
現在の視覚言語追跡フレームワークは、視覚特徴抽出器、言語特徴抽出器、融合モデルという3つの部分から構成されている。
本稿では,一貫したトランスフォーマーバックボーンを採用することで,共同特徴抽出とインタラクションを学習するオールインワンフレームワークを提案する。
論文 参考訳(メタデータ) (2023-07-07T03:51:21Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate
ranks [49.85896045032822]
非支配解と最高多変量階との自然な関係を示し、これは合同累積分布関数(CDF)の最外層線と一致する。
我々はCDFインジケータに基づくBOtiedと呼ばれる取得関数を提案する。
論文 参考訳(メタデータ) (2023-06-01T04:50:06Z) - FM-ViT: Flexible Modal Vision Transformers for Face Anti-Spoofing [88.6654909354382]
本稿では,顔のアンチ・スプーフィングのためのフレキシブル・モーダル・ビジョン・トランス (FM-ViT) と呼ばれる,純粋なトランスフォーマーベースのフレームワークを提案する。
FM-ViTは、利用可能なマルチモーダルデータの助けを借りて、任意の単一モーダル(すなわちRGB)攻撃シナリオを柔軟にターゲットすることができる。
実験により、FM-ViTに基づいてトレーニングされた単一モデルは、異なるモーダルサンプルを柔軟に評価できるだけでなく、既存のシングルモーダルフレームワークよりも大きなマージンで優れていることが示された。
論文 参考訳(メタデータ) (2023-05-05T04:28:48Z) - Multi-modal Differentiable Unsupervised Feature Selection [5.314466196448187]
マルチモーダル測定では、両方のモダリティにおける多くの観察された変数は、しばしばニュアンスであり、興味のある現象に関する情報を持っていない。
本稿では,複合高次元計測に基づいて情報変数を同定するマルチモーダルな非教師付き特徴選択フレームワークを提案する。
グラフラプラシアンによって取得された構造の特徴を隠蔽し、精度を高めるため、異なるゲートでスコアを組み込む。
論文 参考訳(メタデータ) (2023-03-16T15:11:17Z) - Efficiently Controlling Multiple Risks with Pareto Testing [34.83506056862348]
本稿では,多目的最適化と複数仮説テストを組み合わせた2段階プロセスを提案する。
自然言語処理(NLP)アプリケーションにおいて,大規模トランスフォーマーモデルの実行を確実に高速化する手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-10-14T15:54:39Z) - Pareto Driven Surrogate (ParDen-Sur) Assisted Optimisation of
Multi-period Portfolio Backtest Simulations [0.0]
本研究では,glsParDen-Surモデルを用いて,要求されるハイパーパラメータ探索を効率的に行う手法を提案する。
glsParDen-Surは、従来の受け入れサンプリングスキームと並行して、glsplEAで子孫を生成するための貯水池サンプリングベースのルックアヘッド機構を含む、従来のサロゲートフレームワークを拡張している。
論文 参考訳(メタデータ) (2022-09-13T07:29:20Z) - Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal
Sentiment Analysis [96.46952672172021]
Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。
モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
論文 参考訳(メタデータ) (2021-07-28T23:33:42Z)
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。