論文の概要: Algorithmic Robustness

• arxiv url: http://arxiv.org/abs/2311.06275v1
• Date: Tue, 17 Oct 2023 17:51:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-19 14:30:10.181999
• Title: Algorithmic Robustness
• Title（参考訳）: アルゴリズムロバスト性
• Authors: David Jensen, Brian LaMacchia, Ufuk Topcu, Pamela Wisniewski
• Abstract要約: ロバスト性は、計算システムに関する公共政策決定の文脈でしばしば引用される他の目標の重要な有効性である。 この文書はアルゴリズム的堅牢性の概念に関するいくつかの概念と既存の研究に関する簡単なロードマップを提供する。
• 参考スコア（独自算出の注目度）: 18.406992961818368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithmic robustness refers to the sustained performance of a computational system in the face of change in the nature of the environment in which that system operates or in the task that the system is meant to perform. Below, we motivate the importance of algorithmic robustness, present a conceptual framework, and highlight the relevant areas of research for which algorithmic robustness is relevant. Why robustness? Robustness is an important enabler of other goals that are frequently cited in the context of public policy decisions about computational systems, including trustworthiness, accountability, fairness, and safety. Despite this dependence, it tends to be under-recognized compared to these other concepts. This is unfortunate, because robustness is often more immediately achievable than these other ultimate goals, which can be more subjective and exacting. Thus, we highlight robustness as an important goal for researchers, engineers, regulators, and policymakers when considering the design, implementation, and deployment of computational systems. We urge researchers and practitioners to elevate the attention paid to robustness when designing and evaluating computational systems. For many key systems, the immediate question after any demonstration of high performance should be: "How robust is that performance to realistic changes in the task or environment?" Greater robustness will set the stage for systems that are more trustworthy, accountable, fair, and safe. Toward that end, this document provides a brief roadmap to some of the concepts and existing research around the idea of algorithmic robustness.
• Abstract（参考訳）: アルゴリズム的ロバストネス(英: algorithmic robustness)とは、システムが動作している環境の性質の変化や、システムが実行しようとするタスクに直面する計算システムの持続的な性能を指す。 以下は,アルゴリズムのロバスト性の重要性を動機付け,概念的枠組みを提示し,アルゴリズムのロバスト性が関連する研究領域を強調する。 なぜ堅牢か? 堅牢性は、信頼性、説明責任、公平性、安全性など、計算システムに関する公共政策決定の文脈でしばしば言及される他の目標の重要な実現要因である。 この依存にもかかわらず、他の概念に比べて認識が低くなる傾向がある。 なぜなら、ロバスト性は他の最終的な目標よりもすぐに達成できることが多く、より主観的で正確なものであるからである。 そこで我々は,計算システムの設計,実装,展開を考える上で,研究者,技術者,規制当局,政策立案者にとって重要な目標として堅牢性を強調した。 我々は,計算システムの設計と評価において,堅牢性に注意を払うよう研究者や実践者に促す。 多くの重要なシステムにとって、ハイパフォーマンスのデモンストレーションの直後の質問は、"そのパフォーマンスがタスクや環境の現実的な変化にどの程度堅牢か"である。 堅牢性が向上すれば、信頼性が高く、説明責任があり、公平で、安全性の高いシステムが舞台に立つでしょう。 この目的に向けて、この文書はアルゴリズム的堅牢性の概念に関するいくつかの概念と既存の研究に関する簡単なロードマップを提供する。

関連論文リスト

• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Semi-Supervised Multi-Task Learning Based Framework for Power System Security Assessment [0.0]
  本稿では,Semi-Supervised Multi-Task Learning (SS-MTL) を用いた,電力系統の動的セキュリティ評価のための新しい機械学習フレームワークを開発する。 提案フレームワークの基盤となる学習アルゴリズムは条件付きマスク付きエンコーダを統合し,マルチタスク学習を用いて特徴表現を分類する。 IEEE 68-busシステムに関する様々な実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-07-11T22:42:53Z)
• Scalarisation-based risk concepts for robust multi-objective optimisation [4.12484724941528]
  この問題の多目的事例について検討する。 我々は、ロバストな多目的アルゴリズムの大多数が、ロバスト化とスカラー化という2つの重要な操作に依存していることを確認した。 これらの操作は必ずしも可換であるとは限らないので、それらが実行される順序は結果の解に影響を及ぼす。
  論文  参考訳（メタデータ） (2024-05-16T16:11:00Z)
• Mathematical Algorithm Design for Deep Learning under Societal and Judicial Constraints: The Algorithmic Transparency Requirement [65.26723285209853]
  計算モデルにおける透過的な実装が実現可能かどうかを分析するための枠組みを導出する。 以上の結果から,Blum-Shub-Smale Machinesは,逆問題に対する信頼性の高い解法を確立できる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-01-18T15:32:38Z)
• Investigating Robustness in Cyber-Physical Systems: Specification-Centric Analysis in the face of System Deviations [8.8690305802668]
  サイバー物理システム(CPS)の重要属性は堅牢性であり、安全に運用する能力を示している。 本稿では,特定のシステム要件を満たす上でのコントローラの有効性を特徴付ける,仕様に基づく新しいロバスト性を提案する。 本稿では, 微妙な堅牢性違反を識別するための2層シミュレーションに基づく解析フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-13T16:44:43Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• Beyond Robustness: A Taxonomy of Approaches towards Resilient Multi-Robot Systems [41.71459547415086]
  我々はエージェントとマルチロボットシステムのネットワークにおけるレジリエンスの達成方法を分析する。 我々はレジリエンスがエンジニアリング設計の中心となる必要があると主張している。
  論文  参考訳（メタデータ） (2021-09-25T11:25:02Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• A general framework for defining and optimizing robustness [74.67016173858497]
  分類器の様々な種類の堅牢性を定義するための厳密でフレキシブルなフレームワークを提案する。 我々の概念は、分類器の堅牢性は正確性とは無関係な性質と考えるべきであるという仮定に基づいている。 我々は,任意の分類モデルに適用可能な,非常に一般的なロバスト性フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-06-19T13:24:20Z)

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。