論文の概要: Improving Probabilistic Bisimulation for MDPs Using Machine Learning
- arxiv url: http://arxiv.org/abs/2308.02519v1
- Date: Sun, 30 Jul 2023 12:58:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 01:20:32.436494
- Title: Improving Probabilistic Bisimulation for MDPs Using Machine Learning
- Title（参考訳）: 機械学習によるMDPの確率的ビシミュレーションの改善
- Authors: Mohammadsadegh Mohaghegh, Khayyam Salehi
- Abstract要約: 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。
- 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: The utilization of model checking has been suggested as a formal verification
technique for analyzing critical systems. However, the primary challenge in
applying to complex systems is state space explosion problem. To address this
issue, bisimulation minimization has emerged as a prominent method for reducing
the number of states in a labeled transition system, aiming to overcome the
difficulties associated with the state space explosion problem. In the case of
systems exhibiting stochastic behaviors, probabilistic bisimulation is employed
to minimize a given model, obtaining its equivalent form with fewer states.
Recently, various techniques have been introduced to decrease the time
complexity of the iterative methods used to compute probabilistic bisimulation
for stochastic systems that display nondeterministic behaviors. In this paper,
we propose a new technique to partition the state space of a given
probabilistic model to its bisimulation classes. This technique uses the PRISM
program of a given model and constructs some small versions of the model to
train a classifier. It then applies machine learning classification techniques
to approximate the related partition. The resulting partition is used as an
initial one for the standard bisimulation technique in order to reduce the
running time of the method. The experimental results show that the approach can
decrease significantly the running time compared to state-of-the-art tools.
- Abstract（参考訳）: 臨界系解析のための形式的検証手法としてモデル検査の利用が提案されている。
しかし、複雑なシステムに適用する際の最大の課題は、状態宇宙爆発問題である。
この問題に対処するため,バイシミュレーションの最小化は,状態空間の爆発問題に関わる問題を克服することを目的として,ラベル付き遷移系における状態数を削減する重要な手法として登場した。
確率的振る舞いを示すシステムの場合、確率的双シミュレーションは与えられたモデルを最小化し、より少ない状態で等価な形式を得る。
近年,非決定的挙動を示す確率的システムの確率的ビシミュレーションを計算するための反復的手法の時間的複雑さを低減するために,様々な手法が導入された。
本稿では,与えられた確率モデルの状態空間をそのバイ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。
この手法は与えられたモデルのPRISMプログラムを使用し、モデルのいくつかの小さなバージョンを構築して分類器を訓練する。
そして、関連する分割を近似するために機械学習の分類技術を適用する。
結果として生じるパーティションは、メソッドの実行時間を短縮するために、標準バイシミュレーション手法の最初のものとして使用される。
実験の結果,最先端ツールに比べて実行時間を大幅に短縮できることがわかった。
関連論文リスト
- Bisimulation Learning [55.859538562698496]
我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。
提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
論文 参考訳（メタデータ） (2024-05-24T17:11:27Z) - 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) - Hierarchical-Hyperplane Kernels for Actively Learning Gaussian Process
Models of Nonstationary Systems [5.1672267755831705]
グラデーションベースの手法で学習可能なパーティショニングを組み込んだカーネルファミリーを提案する。
各種能動的学習課題における優れた性能を実証的に示す。
論文 参考訳（メタデータ） (2023-03-17T14:50:51Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Learning non-stationary and discontinuous functions using clustering,
classification and Gaussian process modelling [0.0]
非滑らかな関数の近似に対する3段階のアプローチを提案する。
この考え方は、システムの局所的な振る舞いや体制に従って空間を分割し、局所的なサロゲートを構築することである。
本手法は, 引張膜構造の2つの解析関数と有限要素モデルを用いて検証し, 検証した。
論文 参考訳（メタデータ） (2022-11-30T11:11:56Z) - An Accelerated Doubly Stochastic Gradient Method with Faster Explicit
Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。
まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文 参考訳（メタデータ） (2022-08-11T22:27:22Z) - Learning neural state-space models: do we need a state estimator? [0.0]
我々は、広範囲な実験と分析に基づいて、ニューラルステートスペーストレーニングアルゴリズムの校正のための洞察を提供する。
初期状態推定の選択と役割に特に焦点をあてる。
動的システムのある種のクラスにおいて高い性能を達成するためには,先進的な初期状態推定手法が本当に必要であることを示す。
論文 参考訳（メタデータ） (2022-06-26T17:15:35Z) - Faster One-Sample Stochastic Conditional Gradient Method for Composite
Convex Minimization [61.26619639722804]
滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。
提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
論文 参考訳（メタデータ） (2022-02-26T19:10:48Z) - Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。
言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
論文 参考訳（メタデータ） (2022-01-08T00:47:50Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-12-07T11:26:41Z)
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。