論文の概要: Formal Synthesis of Uncertainty Reduction Controllers

• arxiv url: http://arxiv.org/abs/2401.17187v2
• Date: Thu, 1 Feb 2024 11:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-02-02 11:52:22.551048
• Title: Formal Synthesis of Uncertainty Reduction Controllers
• Title（参考訳）: 不確かさ低減制御器の形式的合成
• Abstract要約: 本研究では,SAS適応ループ内の新たな情報の適応取得を駆動する不確実性低減コントローラを備えたSASアーキテクチャを提案する。 本稿では,移動ロボットナビゲーションとサーバインフラ管理SASにおけるアプローチの有効性について述べる。
• 参考スコア（独自算出の注目度）: 6.51749508931067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In its quest for approaches to taming uncertainty in self-adaptive systems (SAS), the research community has largely focused on solutions that adapt the SAS architecture or behaviour in response to uncertainty. By comparison, solutions that reduce the uncertainty affecting SAS (other than through the blanket monitoring of their components and environment) remain underexplored. Our paper proposes a more nuanced, adaptive approach to SAS uncertainty reduction. To that end, we introduce a SAS architecture comprising an uncertainty reduction controller that drives the adaptive acquisition of new information within the SAS adaptation loop, and a tool-supported method that uses probabilistic model checking to synthesise such controllers. The controllers generated by our method deliver optimal trade-offs between SAS uncertainty reduction benefits and new information acquisition costs. We illustrate the use and evaluate the effectiveness of our approach for mobile robot navigation and server infrastructure management SAS.
• Abstract（参考訳）: 自己適応システム(SAS)における不確実性に対処するアプローチを模索する中で、研究コミュニティは、不確実性に対応するSASアーキテクチャや行動に適応するソリューションを主に重視してきた。 対照的に、SASに影響を及ぼす不確実性(コンポーネントや環境のブランケットモニタリングを経由すること以外)を低減するソリューションは、まだ未調査のままである。 本稿では,よりニュアンスで適応的なSAS不確実性低減手法を提案する。 そこで本研究では,SAS適応ループ内での新たな情報の適応的取得を駆動する不確実性低減コントローラと,確率論的モデルチェックを用いてそのようなコントローラを合成するツール支援手法とを備えるSASアーキテクチャを提案する。 本手法により生成された制御器は,SASの不確実性低減効果と新たな情報取得コストとの間に最適なトレードオフをもたらす。 本稿では,移動ロボットナビゲーションとサーバインフラ管理SASにおけるアプローチの有効性について述べる。

関連論文リスト

• CLAIM: Leading Open-domain Active Clarification of Large Language Models with Uncertainty Measurement [50.91045324738942]
  CLAIMは、オープンドメイン環境でのアクティブな明確化学習のための不確実性駆動フレームワークである。 本研究では,不確実性推定とセマンティッククラスタリングと推論に基づく判断を統合したエントロピー駆動型合成データ生成パイプラインを提案する。 実験の結果,手動でラベル付けしたデータに頼ることなく,CLAIMが安定かつ一般化可能な明確化戦略を学習できることが確認された。
  論文  参考訳（メタデータ） (2026-08-12T04:27:45Z)
• Learning Polyhedral Conformal Sets for Robust Optimization [10.504036065018216]
  本稿では,頑健な最適化目標に適した不確実性集合を学習する,意思決定対応型コンフォメーションフレームワークを提案する。 提案手法は,データ駆動型超平面による多面体集合のフレキシブルなファミリーをパラメータ化し,誘導されたロバスト損失を直接最小化することでそれらの幾何学を学習する。 オラクル決定に対する準最適ギャップの有限サンプルカバレッジ保証とバウンダリを提供する。
  論文  参考訳（メタデータ） (2026-05-08T21:39:41Z)
• Data anonymization in the presence of outliers via invariant coordinate selection [0.0]
  既存の潜在空間匿名化法は主成分分析(PCA)に依存しており、従って汚染に弱い可能性がある。 我々は、オフレイアの存在下での匿名化を調査し、不変座標選択(ICS)に基づく、SAに代わる堅牢な代替品であるICSAを提案する。 ICSAとSAのプライバシ・ユーティリティ・トレードオフは, 各種汚染設定および外乱重大度下でのシミュレーション実験により比較した。
  論文  参考訳（メタデータ） (2026-05-06T12:29:50Z)
• Intelligent Autonomous Orchestration for Distributed Cloud Resources using Complex-Stability Analysis [0.0]
  C-SAS(Complex-Stability Aware Scaling)は、インテリジェントな自律オーケストレーションフレームワークである。 C-SASは安定性に配慮したエージェントとして機能し、テレメトリノイズを$s$プレーン上の"Safety Envelope"に変換する。 その結果、C-SASはVMのフラッピングを94%削減し、リソース効率は96%低下した。
  論文  参考訳（メタデータ） (2026-05-02T08:57:50Z)
• Agentic AI for Self-Driving Laboratories in Soft Matter: Taxonomy, Benchmarks,and Open Challenges [8.153488410654004]
  自動運転研究所(SDL)は、実験設計、自動実行、データ駆動意思決定の間のループを閉じる。 この調査は、ソフトマターを代表的設定として使用するが、実際の研究室で発生するAI質問に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-25T17:44:19Z)
• Reliable LLM-Based Edge-Cloud-Expert Cascades for Telecom Knowledge Systems [54.916243942641444]
  大規模言語モデル(LLM)は、通信などの分野において、自動化の鍵となる存在として浮上している。 本研究では,問合せパイプラインによる意思決定を支援する,エッジクラウドに精通したLLMベースの知識システムについて検討する。
  論文  参考訳（メタデータ） (2025-12-23T03:10:09Z)
• Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
  LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。 本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。 我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
  論文  参考訳（メタデータ） (2025-11-11T21:50:44Z)
• Taming Polysemanticity in LLMs: Provable Feature Recovery via Sparse Autoencoders [50.52694757593443]
  既存のSAEトレーニングアルゴリズムは厳密な数学的保証を欠いていることが多く、実用的な制限に悩まされている。 まず,特徴の特定可能性という新たな概念を含む特徴回復問題の統計的枠組みを提案する。 本稿では、ニューラルネットワークのバイアスパラメータを適応的に調整し、適切なアクティベーション間隔を確保する手法である「バイアス適応」に基づく新たなSAEトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-16T20:58:05Z)
• Smart Surrogate Losses for Contextual Stochastic Linear Optimization with Robust Constraints [3.8233569758620063]
  機械学習モデルにより予測される不確実なパラメータに依存する不等式制約を含む文脈線形最適化(CSLO)の拡張について検討する。 制約の不確実性に対処するために、共形予測のような手法を用いて構築された文脈不確実性集合を用いる。 本研究では,SPORC+が制約の不確かさを効果的に処理し,重み付けと重み付けを併用することで,さらなる性能向上が期待できることを示す。
  論文  参考訳（メタデータ） (2025-05-28T21:29:40Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Conformal Calibration: Ensuring the Reliability of Black-Box AI in Wireless Systems [36.407171992845456]
  この論文は、計算量的に軽量で高度な統計ツールを採用することによって、芸術の状態を超越した一般的なフレームワークであるコンフォーマルキャリブレーションをレビューする。 コンフォーマルキャリブレーションをAIモデルライフサイクルに織り込むことで、ネットワークオペレータは、ブラックボックスAIモデルの信頼性を、無線システムの信頼性の高い実現技術として確立することができる。
  論文  参考訳（メタデータ） (2025-04-12T19:05:00Z)
• Adaptive Client Selection in Federated Learning: A Network Anomaly Detection Use Case [0.30723404270319693]
  本稿では,差分プライバシーとフォールトトレランスを組み込んだFL(Federated Learning)のクライアント選択フレームワークを提案する。 その結果、FedL2Pアプローチと比較して、精度が7%向上し、トレーニング時間が25%短縮された。
  論文  参考訳（メタデータ） (2025-01-25T02:50:46Z)
• SAUP: Situation Awareness Uncertainty Propagation on LLM Agent [52.444674213316574]
  大規模言語モデル(LLM)は多段階エージェントシステムに統合され、様々なアプリケーションにまたがる複雑な意思決定プロセスを可能にする。 既存の不確実性推定手法は主に最終段階の出力に重点を置いており、これは多段階決定プロセスにおける累積的不確実性やエージェントとその環境間の動的相互作用を考慮できない。 LLMエージェントの推論プロセスの各ステップを通じて不確実性を伝播する新しいフレームワークであるSAUPを提案する。
  論文  参考訳（メタデータ） (2024-12-02T01:31:13Z)
• BACSA: A Bias-Aware Client Selection Algorithm for Privacy-Preserving Federated Learning in Wireless Healthcare Networks [0.5524804393257919]
  本稿では,ユーザのバイアスを検知し,バイアスプロファイルに基づいてクライアントを戦略的に選択するBias-Aware Client Selection Algorithm (BACSA)を提案する。 BACSAは、Quality of Service(QoS)、プライバシ、セキュリティが最重要である、機密性の高い医療アプリケーションに適している。
  論文  参考訳（メタデータ） (2024-11-01T21:34:43Z)
• Automatically Adaptive Conformal Risk Control [49.95190019041905]
  本稿では,テストサンプルの難易度に適応して,統計的リスクの近似的条件制御を実現する手法を提案する。 我々のフレームワークは、ユーザが提供するコンディショニングイベントに基づく従来のコンディショニングリスク制御を超えて、コンディショニングに適した関数クラスのアルゴリズム的、データ駆動決定を行う。
  論文  参考訳（メタデータ） (2024-06-25T08:29:32Z)
• FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning [57.38427653043984]
  フェデレートラーニング(FL)は、分散クライアント間の機械学習モデルの協調トレーニングにおいて、顕著なアプローチとして登場した。 我々は,この課題に対処するために設計された,革新的なクライアント適応アルゴリズムであるFedCAdaを紹介する。 我々はFedCAdaが適応性、収束性、安定性、全体的な性能の点で最先端の手法より優れていることを実証する。
  論文  参考訳（メタデータ） (2024-05-20T06:12:33Z)
• An Extensive Comparison of Static Application Security Testing Tools [1.3927943269211593]
  静的アプリケーションセキュリティテストツール(SASTT)は、ソフトウェアアプリケーションのセキュリティと信頼性をサポートするソフトウェア脆弱性を特定する。 いくつかの研究は、偽アラームを発生させる傾向があるため、代替ソリューションがSASTTよりも効果的である可能性を示唆している。 SASTTの評価は、制御されているが合成されたJavaに基づいています。
  論文  参考訳（メタデータ） (2024-03-14T09:37:54Z)
• OTClean: Data Cleaning for Conditional Independence Violations using Optimal Transport [51.6416022358349]
  sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。 我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
  論文  参考訳（メタデータ） (2024-03-04T18:23:55Z)
• Advances in Self-Supervised Learning for Synthetic Aperture Sonar Data Processing, Classification, and Pattern Recognition [0.36700088931938835]
  本稿では,SASデータ処理,分類,パターン認識に自己教師付き学習を活用するMoCo-SASを提案する。 実験の結果,MoCo-SASは従来の教師あり学習法よりも優れていた。 これらの知見は、SASデータ処理における最先端の進歩におけるSSLの可能性を強調し、水中物体の検出と分類を強化するための有望な道を提供する。
  論文  参考訳（メタデータ） (2023-08-12T20:59:39Z)
• Risk-Awareness in Learning Neural Controllers for Temporal Logic Objectives [2.047329787828792]
  閉ループ系が一定の制約を満たすような不確実性が存在する場合の制御器の問題を考える。 制御障壁関数(CBF)の枠組みを利用して,STL目的のCBFをアルゴリズム的に取得する。 クワッドロータや一輪車のような非線形制御のよく知られた難解な例に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-10-14T00:49:08Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• 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)
• Online Optimization and Ambiguity-based Learning of Distributionally Uncertain Dynamic Systems [1.6709415233613623]
  本稿では,分散的に不確実な力学系のクラスを対象とする最適化問題 (P) に対して,データ駆動型オンラインソリューションを構築するための新しい手法を提案する。 導入されたフレームワークは、パラメータ化された制御依存のあいまいさセットを通じて、分散システムの不確実性の同時学習を可能にする。 また、Nesterovの高速化段階アルゴリズムのオンライン版を導入し、その性能を分析して、分散性理論を用いてこの問題のクラスを解く。
  論文  参考訳（メタデータ） (2021-02-18T01:49:06Z)

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。