論文の概要: Verification of Neural Network Control Systems in Continuous Time

• arxiv url: http://arxiv.org/abs/2406.00157v1
• Date: Fri, 31 May 2024 19:39:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 08:23:47.949608
• Title: Verification of Neural Network Control Systems in Continuous Time
• Title（参考訳）: 連続時間におけるニューラルネットワーク制御システムの検証
• Authors: Ali ArjomandBigdeli, Andrew Mata, Stanley Bak,
• Abstract要約: 本研究では,連続的なニューラルネットワーク制御系に対する最初の検証手法を開発した。 ニューラルネットワークコントローラをモデル化するための抽象化レベルを追加することで、これを実現する。 視覚に基づく自律型飛行機タクシーシステムに適用することで,提案手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 1.5695847325697108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural network controllers are currently being proposed for use in many safety-critical tasks. Most analysis methods for neural network control systems assume a fixed control period. In control theory, higher frequency usually improves performance. However, for current analysis methods, increasing the frequency complicates verification. In the limit, when actuation is performed continuously, no existing neural network control systems verification methods are able to analyze the system. In this work, we develop the first verification method for continuously-actuated neural network control systems. We accomplish this by adding a level of abstraction to model the neural network controller. The abstraction is a piecewise linear model with added noise to account for local linearization error. The soundness of the abstraction can be checked using open-loop neural network verification tools, although we demonstrate bottlenecks in existing tools when handling the required specifications. We demonstrate the approach's efficacy by applying it to a vision-based autonomous airplane taxiing system and compare with a fixed frequency analysis baseline.
• Abstract（参考訳）: ニューラルネットワークコントローラは現在、多くの安全クリティカルなタスクで使用するために提案されている。 ニューラルネットワーク制御システムのほとんどの分析方法は、一定の制御期間を仮定する。 制御理論では、高い周波数では通常性能が向上する。 しかし、現在の分析手法では、周波数の増加は検証を複雑にする。 この制限下では、アクティベーションが継続的に実行されると、既存のニューラルネットワーク制御システム検証方法がシステムを分析することができない。 本研究では,連続的なニューラルネットワーク制御システムに対する最初の検証手法を開発する。 ニューラルネットワークコントローラをモデル化するための抽象化レベルを追加することで、これを実現する。 この抽象化は局所線形化誤差を考慮に入れた一括線形モデルである。 抽象化の健全性は、必要な仕様を扱う際に既存のツールのボトルネックを示すが、オープンループニューラルネットワーク検証ツールを使用して確認することができる。 視覚に基づく自律型飛行機タクシーシステムに適用し、固定周波数解析ベースラインと比較することにより、アプローチの有効性を実証する。

関連論文リスト

• Identification For Control Based on Neural Networks: Approximately Linearizable Models [42.15267357325546]
  本研究では,非線形システムの効率的な制御設計と安定性解析のための制御指向同定手法を提案する。 ニューラルネットワークは離散時間非線形状態空間モデルを特定し、時間領域の入力出力挙動を近似する。 ネットワークは、同定されたモデルがフィードバックによってほぼ線形化可能であるように構成され、制御則が学習段階から自明に従うことを保証する。
  論文  参考訳（メタデータ） (2024-09-24T08:31:22Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Observer-Feedback-Feedforward Controller Structures in Reinforcement Learning [0.0]
  本稿では、強化学習に基づく非線形適応制御における構造化ニューラルネットワークの利用を提案する。 焦点は部分的に観測可能なシステムであり、状態とフィードフォワードオブザーバと状態フィードバックとフィードフォワードコントローラを分離したニューラルネットワークを備えている。
  論文  参考訳（メタデータ） (2023-04-20T12:59:21Z)
• A Neurosymbolic Approach to the Verification of Temporal Logic Properties of Learning enabled Control Systems [0.0]
  本稿では,一般的なSTL仕様に対するニューラルネットワーク(NN)コントローラの検証モデルを提案する。 また、一般的なアクティベーション機能を持つニューラルネットワークコントローラに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-07T04:08:33Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• Simple initialization and parametrization of sinusoidal networks via their kernel bandwidth [92.25666446274188]
  従来の活性化機能を持つネットワークの代替として、活性化を伴う正弦波ニューラルネットワークが提案されている。 まず,このような正弦波ニューラルネットワークの簡易版を提案する。 次に、ニューラルタンジェントカーネルの観点からこれらのネットワークの挙動を分析し、そのカーネルが調整可能な帯域幅を持つ低域フィルタを近似することを実証する。
  論文  参考訳（メタデータ） (2022-11-26T07:41:48Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Online Detection of Vibration Anomalies Using Balanced Spiking Neural Networks [2.9439848714137447]
  スパイキングニューラルネットワークを用いた振動解析のためのニューロモルフィック手法を提案する。 振動データからシステム異常を検出することができるスパイクに基づくエンドツーエンドパイプラインを提案する。 提案手法は,2つの公開データセットに対して,最先端の性能や性能を向上することを示す。
  論文  参考訳（メタデータ） (2021-06-01T18:00:02Z)
• Discrete-time Contraction-based Control of Nonlinear Systems with Parametric Uncertainties using Neural Networks [6.804154699470765]
  本研究は,ニューラルネットワークを用いた離散時間収縮解析と制御へのアプローチを展開する。 この方法論は、ニューラルネットワークをトレーニングして、収縮メトリックとフィードバックゲインを学習する。 結果として得られる収縮ベースのコントローラは、訓練されたニューラルネットワークを組み込み、時間変動参照の効率的な追跡を達成することができる。
  論文  参考訳（メタデータ） (2021-05-12T05:07:34Z)
• Performance Bounds for Neural Network Estimators: Applications in Fault Detection [2.388501293246858]
  ニューラルネットワークの堅牢性を定量化し,モデルに基づく異常検知器の構築とチューニングを行った。 チューニングでは,通常動作で想定される誤報発生率の上限を具体的に提示する。
  論文  参考訳（メタデータ） (2021-03-22T19:23:08Z)
• The Surprising Simplicity of the Early-Time Learning Dynamics of Neural Networks [43.860358308049044]
  研究において、これらの共通認識は、学習の初期段階において完全に誤りであることを示す。 この驚くべき単純さは、畳み込みアーキテクチャを持つより多くのレイヤを持つネットワークで持続することができる、と私たちは主張する。
  論文  参考訳（メタデータ） (2020-06-25T17:42:49Z)

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。