論文の概要: Learning the Uncertainty Sets for Control Dynamics via Set Membership: A Non-Asymptotic Analysis

• arxiv url: http://arxiv.org/abs/2309.14648v1
• Date: Tue, 26 Sep 2023 03:58:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-27 15:04:07.656710
• Title: Learning the Uncertainty Sets for Control Dynamics via Set Membership: A Non-Asymptotic Analysis
• Title（参考訳）: 集合メンバシップによる制御ダイナミクスの不確実性セットの学習:非漸近解析
• Authors: Yingying Li, Jing Yu, Lauren Conger, Adam Wierman
• Abstract要約: 本稿では,集合メンバシップ推定によって生成される不確実性集合の直径に非漸近的境界を与える。 これは、集合メンバシップによって更新された不確実性セットによるロバスト適応モデル予測制御に適用される。
• 参考スコア（独自算出の注目度）: 21.02041201645763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Set-membership estimation is commonly used in adaptive/learning-based control algorithms that require robustness over the model uncertainty sets, e.g., online robustly stabilizing control and robust adaptive model predictive control. Despite having broad applications, non-asymptotic estimation error bounds in the stochastic setting are limited. This paper provides such a non-asymptotic bound on the diameter of the uncertainty sets generated by set membership estimation on linear dynamical systems under bounded, i.i.d. disturbances. Further, this result is applied to robust adaptive model predictive control with uncertainty sets updated by set membership. We numerically demonstrate the performance of the robust adaptive controller, which rapidly approaches the performance of the offline optimal model predictive controller, in comparison with the control design based on least square estimation's confidence regions.
• Abstract（参考訳）: 集合メンバシップ推定は、オンラインのロバスト安定化制御やロバスト適応モデル予測制御など、モデルの不確実性セットに対して堅牢性を必要とする適応/学習ベースの制御アルゴリズムで一般的に使用される。 広く応用されているにもかかわらず、確率的設定における非漸近的推定誤差境界は限定的である。 本稿では, 線形力学系に対する集合メンバシップ推定によって生じる不確実集合の直径の非漸近的境界,すなわち外乱について述べる。 さらに、不確実性セットをセットメンバシップで更新したロバスト適応モデル予測制御に適用する。 我々は,オフライン最適モデル予測コントローラの性能に素早く接近するロバスト適応制御器の性能を,最小二乗推定の信頼領域に基づく制御設計と比較して数値的に示す。

関連論文リスト

• Quantifying calibration error in modern neural networks through evidence based theory [0.0]
  本稿では、予測エラー(ECE)の評価に主観的論理を組み込むことにより、ニューラルネットワークの信頼性を定量化する新しい枠組みを提案する。 我々は,MNISTおよびCIFAR-10データセットを用いた実験により,信頼性が向上したことを示す。 提案されたフレームワークは、医療や自律システムといったセンシティブな分野における潜在的な応用を含む、AIモデルのより解釈可能でニュアンスな評価を提供する。
  論文  参考訳（メタデータ） (2024-10-31T23:54:21Z)
• ConU: Conformal Uncertainty in Large Language Models with Correctness Coverage Guarantees [68.33498595506941]
  自己整合性理論に基づく新しい不確実性尺度を導入する。 次に,CPアルゴリズムに正当性に整合した不確かさ条件を組み込むことにより,適合性不確かさの基準を策定する。 実証的な評価は、我々の不確実性測定が過去の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-06-29T17:33:07Z)
• On the Convergence Rates of Set Membership Estimation of Linear Systems with Disturbances Bounded by General Convex Sets [10.543371327361074]
  本稿では、(ロバスト制約のある)制御文献でよく用いられる手法であるセットメンバーシップ推定(SME)に焦点を当てる。 システム障害が境界付けられた場合、中小企業はLSEの信頼性境界よりも経験的なパフォーマンスを享受する傾向にある。 本研究の主な貢献は、外乱支援に関する仮定を緩和し、一般凸支援のための中小企業の収束率を確立することである。
  論文  参考訳（メタデータ） (2024-06-01T23:41:29Z)
• Trust your neighbours: Penalty-based constraints for model calibration [19.437451462590108]
  SVLSの制約付き最適化の観点を示し、周辺画素のソフトクラス比に暗黙の制約を課すことを示した。 本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。
  論文  参考訳（メタデータ） (2023-03-11T01:10:26Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Uncertainty in Extreme Multi-label Classification [81.14232824864787]
  eXtreme Multi-label Classification (XMC)は、Webスケールの機械学習アプリケーションにおいて、ビッグデータの時代において不可欠なタスクである。 本稿では,確率的アンサンブルに基づく木系XMCモデルの一般的な不確実性定量化手法について検討する。 特に,XMCにおけるラベルレベルおよびインスタンスレベルの不確実性を解析し,ビームサーチに基づく一般的な近似フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-18T20:54:33Z)
• Better Uncertainty Quantification for Machine Translation Evaluation [17.36759906285316]
  我々は、新しい異種回帰、発散最小化、および直接不確実性予測目標を用いてCOMETメトリックを訓練する。 実験の結果、WMT20とWMT21のメトリクスタスクデータセットが改善され、計算コストが大幅に削減された。
  論文  参考訳（メタデータ） (2022-04-13T17:49:25Z)
• Reliably-stabilizing piecewise-affine neural network controllers [5.203329540700177]
  モデル予測制御(MPC)ポリシーのニューラルネットワーク(NN)近似に影響を与える一般的な問題は、NNベースのコントローラの動作の下でクローズドループシステムの安定性を評価するための分析ツールがないことである。 本稿では、そのような制御器の性能を定量化したり、与えられたMPCスキームの望ましい特性を保持する最小の複雑性NNを設計するための一般的な手順を提案する。
  論文  参考訳（メタデータ） (2021-11-13T20:01:43Z)
• Tight Mutual Information Estimation With Contrastive Fenchel-Legendre Optimization [69.07420650261649]
  我々はFLOと呼ばれる新しい,シンプルで強力なコントラストMI推定器を提案する。 実証的に、我々のFLO推定器は前者の限界を克服し、より効率的に学習する。 FLOの有効性は、広範囲なベンチマークを用いて検証され、実際のMI推定におけるトレードオフも明らかにされる。
  論文  参考訳（メタデータ） (2021-07-02T15:20:41Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)
• Approaching Neural Network Uncertainty Realism [53.308409014122816]
  自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。 マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。 自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-01-08T11:56:12Z)

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。