論文の概要: Forking Uncertainties: Reliable Prediction and Model Predictive Control with Sequence Models via Conformal Risk Control

• arxiv url: http://arxiv.org/abs/2310.10299v1
• Date: Mon, 16 Oct 2023 11:35:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-17 14:59:28.117781
• Title: Forking Uncertainties: Reliable Prediction and Model Predictive Control with Sequence Models via Conformal Risk Control
• Title（参考訳）: 不確かさのフォーク:コンフォーマルリスク制御によるシーケンスモデルによる信頼性予測とモデル予測制御
• Authors: Matteo Zecchin, Sangwoo Park, Osvaldo Simeone
• Abstract要約: 本稿では,事前設計した確率予測器が生成した予測に基づいて,信頼性の高いエラーバーを生成する,新しいポストホックキャリブレーション手法を提案する。 最先端技術とは異なり、PTS-CRCはカバレッジ以上の信頼性定義を満たすことができる。 PTS-CRC予測と制御の性能を,無線ネットワークの文脈における多くのユースケースの研究により実験的に検証した。
• 参考スコア（独自算出の注目度）: 40.918012779935246
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In many real-world problems, predictions are leveraged to monitor and control cyber-physical systems, demanding guarantees on the satisfaction of reliability and safety requirements. However, predictions are inherently uncertain, and managing prediction uncertainty presents significant challenges in environments characterized by complex dynamics and forking trajectories. In this work, we assume access to a pre-designed probabilistic implicit or explicit sequence model, which may have been obtained using model-based or model-free methods. We introduce probabilistic time series-conformal risk prediction (PTS-CRC), a novel post-hoc calibration procedure that operates on the predictions produced by any pre-designed probabilistic forecaster to yield reliable error bars. In contrast to existing art, PTS-CRC produces predictive sets based on an ensemble of multiple prototype trajectories sampled from the sequence model, supporting the efficient representation of forking uncertainties. Furthermore, unlike the state of the art, PTS-CRC can satisfy reliability definitions beyond coverage. This property is leveraged to devise a novel model predictive control (MPC) framework that addresses open-loop and closed-loop control problems under general average constraints on the quality or safety of the control policy. We experimentally validate the performance of PTS-CRC prediction and control by studying a number of use cases in the context of wireless networking. Across all the considered tasks, PTS-CRC predictors are shown to provide more informative predictive sets, as well as safe control policies with larger returns.
• Abstract（参考訳）: 現実世界の多くの問題では、サイバーフィジカルシステムの監視と制御に予測が活用され、信頼性と安全要件の満足度が保証される。 しかし、予測は本質的に不確実であり、予測の不確実性の管理は複雑な力学とフォーク軌道を特徴とする環境において重大な課題をもたらす。 本研究では,モデルベースあるいはモデルフリー手法を用いて,事前設計した確率的暗黙的あるいは明示的シーケンスモデルへのアクセスを仮定する。 我々は,事前設計した確率予測器が生成した予測に基づいて,信頼性のあるエラーバーを生成する,新しいポストホックキャリブレーション手法PTS-CRCを導入する。 既存の技術とは対照的に、PTS-CRCはシーケンスモデルからサンプリングされた複数のプロトタイプ軌道のアンサンブルに基づいて予測セットを生成し、不確実性の効率的な表現を支援する。 さらに、最先端技術とは異なり、PTS-CRCはカバレッジ以上の信頼性定義を満たすことができる。 この特性を利用して、制御ポリシーの品質や安全性に関する一般的な平均制約の下で、オープンループおよびクローズループ制御問題に対処する新しいモデル予測制御(MPC)フレームワークを考案する。 PTS-CRC予測と制御の性能を,無線ネットワークの文脈における多くのユースケースの研究により実験的に検証した。 PTS-CRC予測器は、考慮された全てのタスクに対して、より有益な予測セットを提供するとともに、より大きなリターンを持つ安全な制御ポリシーを提供する。

関連論文リスト

• From Conformal Predictions to Confidence Regions [1.4272411349249627]
  モデルパラメータに対する信頼領域を確立するために,モデル出力に共形予測間隔を組み合わせたCCRを導入する。 本稿では,雑音に対する最小限の仮定の下でのカバレッジ保証について述べる。 本手法は, 完全あるいはクロスコンフォーマルなアプローチを含む, 分割共形予測とブラックボックス手法の両方に適用可能である。
  論文  参考訳（メタデータ） (2024-05-28T21:33:12Z)
• Practical Probabilistic Model-based Deep Reinforcement Learning by Integrating Dropout Uncertainty and Trajectory Sampling [7.179313063022576]
  本稿では,ニューラルネットワーク上に構築された現在の確率モデルベース強化学習(MBRL)の予測安定性,予測精度,制御能力について述べる。 トラジェクトリサンプリング(DPETS)を用いた新しいアプローチであるドロップアウト型確率アンサンブルを提案する。
  論文  参考訳（メタデータ） (2023-09-20T06:39:19Z)
• Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles [82.65261980827594]
  本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。 マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
  論文  参考訳（メタデータ） (2023-03-08T17:14:57Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• CC-Cert: A Probabilistic Approach to Certify General Robustness of Neural Networks [58.29502185344086]
  安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。 意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。 我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
  論文  参考訳（メタデータ） (2021-09-22T12:46:04Z)
• Pointwise Feasibility of Gaussian Process-based Safety-Critical Control under Model Uncertainty [77.18483084440182]
  制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。 本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-13T23:08:49Z)
• Safe Chance Constrained Reinforcement Learning for Batch Process Control [0.0]
  強化学習(RL)コントローラは,コントロールコミュニティ内で興奮を引き起こしている。 エンジニアリングアプリケーションに関する最近の焦点は、安全なRLコントローラの開発に向けられている。
  論文  参考訳（メタデータ） (2021-04-23T16:48:46Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Adversarial Attacks on Probabilistic Autoregressive Forecasting Models [7.305979446312823]
  我々は、単一値の列ではなく確率分布の列を出力するニューラルネットワークに対する効果的な逆攻撃を生成する。 提案手法は,2つの課題において,入力摂動の少ない攻撃を効果的に生成できることを実証する。
  論文  参考訳（メタデータ） (2020-03-08T13:08:34Z)

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。