論文の概要: Learning Temporal Logic Predicates from Data with Statistical Guarantees

• arxiv url: http://arxiv.org/abs/2406.10449v1
• Date: Sat, 15 Jun 2024 00:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-06-19 00:22:43.667415
• Title: Learning Temporal Logic Predicates from Data with Statistical Guarantees
• Title（参考訳）: 統計的保証付きデータから時間論理式を学習する
• Authors: Emi Soroka, Rohan Sinha, Sanjay Lall,
• Abstract要約: 有限サンプル精度保証データから時間論理の述語を学習する新しい手法を提案する。 提案手法は,表現最適化と共形予測を利用して,将来の軌跡を正しく記述した述語を学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Temporal logic rules are often used in control and robotics to provide structured, human-interpretable descriptions of high-dimensional trajectory data. These rules have numerous applications including safety validation using formal methods, constraining motion planning among autonomous agents, and classifying data. However, existing methods for learning temporal logic predicates from data provide no assurances about the correctness of the resulting predicate. We present a novel method to learn temporal logic predicates from data with finite-sample correctness guarantees. Our approach leverages expression optimization and conformal prediction to learn predicates that correctly describe future trajectories under mild assumptions with a user-defined confidence level. We provide experimental results showing the performance of our approach on a simulated trajectory dataset and perform ablation studies to understand how each component of our algorithm contributes to its performance.
• Abstract（参考訳）: 時間論理規則は、高次元軌跡データの構造化された人間解釈可能な記述を提供するために、制御やロボット工学でしばしば用いられる。 これらのルールには、フォーマルな方法を用いた安全性検証、自律エージェント間の動作計画の制約、データの分類など、数多くの応用がある。 しかし、データから時間論理述語を学習する既存の方法は、結果の述語が正しいかどうかを保証しない。 有限サンプル精度保証データから時間論理の述語を学習する新しい手法を提案する。 提案手法は,表現最適化と共形予測を利用して,ユーザ定義の信頼度の高い軽度仮定の下で,将来の軌跡を正しく記述した述語を学習する。 シミュレーションされた軌跡データセットに対するアプローチの有効性を示す実験結果と,アルゴリズムの各コンポーネントがその性能にどのように貢献するかを理解するためのアブレーション研究を行う。

関連論文リスト

• Capturing the Temporal Dependence of Training Data Influence [100.91355498124527]
  我々は、訓練中にデータポイントを除去する影響を定量化する、軌跡特異的な離脱の影響の概念を定式化する。 軌道固有LOOの効率的な近似を可能にする新しい手法であるデータ値埋め込みを提案する。 データバリューの埋め込みは、トレーニングデータの順序付けをキャプチャするので、モデルトレーニングのダイナミクスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-12T18:28:55Z)
• Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
  時間差差(TD)学習は、おそらく政策評価に最も広く使用されるものであり、この目的の自然な枠組みとして機能する。 本稿では,Polyak-Ruppert平均化と線形関数近似によるTD学習の整合性について検討し,既存の結果よりも3つの重要な改善点を得た。
  論文  参考訳（メタデータ） (2024-10-21T15:34:44Z)
• Structured Prediction in Online Learning [66.36004256710824]
  オンライン学習環境における構造化予測のための理論的・アルゴリズム的枠組みについて検討する。 このアルゴリズムは教師付き学習環境からの最適アルゴリズムの一般化であることを示す。 本稿では,非定常データ分布,特に逆データを含む2番目のアルゴリズムについて考察する。
  論文  参考訳（メタデータ） (2024-06-18T07:45:02Z)
• TLINet: Differentiable Neural Network Temporal Logic Inference [10.36033062385604]
  本稿では,STL式を学習するニューラルネットワークシンボリックフレームワークであるTLINetを紹介する。 従来の手法とは対照的に,時間論理に基づく勾配法に特化して設計された最大演算子の近似法を導入する。 我々のフレームワークは、構造だけでなく、STL公式のパラメータも学習し、演算子と様々な論理構造の柔軟な組み合わせを可能にします。
  論文  参考訳（メタデータ） (2024-05-03T16:38:14Z)
• Rapid Bayesian identification of sparse nonlinear dynamics from scarce and noisy data [2.3018169548556977]
  我々はベイジアンフレームワーク内でSINDy法をリキャストし、ガウス近似を用いて計算を高速化する。 ベイジアン・シンディは推定したパラメータの不確かさを定量化するが、限られたノイズのあるデータから正しいモデルを学ぶ際にもより堅牢である。
  論文  参考訳（メタデータ） (2024-02-23T14:41:35Z)
• Safe Active Learning for Time-Series Modeling with Gaussian Processes [7.505622158856545]
  時系列モデルの学習はシミュレーションや予測といった多くのアプリケーションに有用である。 本研究では,安全制約を考慮した時系列モデルを積極的に学習する問題について考察する。 提案手法は,入力空間を動的に探索することにより,時系列モデル学習に適したデータ,すなわち入力と出力の軌跡を生成する。
  論文  参考訳（メタデータ） (2024-02-09T09:40:33Z)
• Graph state-space models [19.88814714919019]
  状態空間モデルは、時系列を記述し、予測されるシステム状態の更新された表現を維持することで操作する。 この原稿は、このギャップを初めて埋めることを目的としており、遅延依存をキャプチャする関数グラフがデータから直接学習され、時間とともに変更が許される、意図しない状態データとマッチングする。 ダウンストリームタスクで状態空間モデルのエンドツーエンドを学習するために,エンコーダ・デコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-01-04T18:15:07Z)
• Model Predictive Robustness of Signal Temporal Logic Predicates [15.510376778109274]
  本稿では,モデル予測ロバスト性の概念を提案し,従来の手法に比べてロバスト性を評価する体系的な方法を提案する。 特に、ガウス過程回帰を用いて事前計算された予測に基づいてロバストネスを学習し、ロバストネス値をオンラインで効率的に計算できるようにする。 我々は,記録されたデータセット上での交通規則の定式化に使用される述語を用いた自動運転のユースケースに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2022-09-16T12:18:59Z)
• Seminaive Materialisation in DatalogMTL [10.850687097496373]
  DatalogMTLは、計量時間演算子を備えたDatalogの拡張である。 本稿では,冗長計算を最小化するための物質化に基づく手法を提案する。 実験の結果,DatalogMTLの最適化セミナティブ戦略により,製造時間を大幅に短縮できることがわかった。
  論文  参考訳（メタデータ） (2022-08-15T10:04:44Z)
• Latent Properties of Lifelong Learning Systems [59.50307752165016]
  本稿では,生涯学習アルゴリズムの潜伏特性を推定するために,アルゴリズムに依存しないサロゲート・モデリング手法を提案する。 合成データを用いた実験により,これらの特性を推定するためのアプローチを検証する。
  論文  参考訳（メタデータ） (2022-07-28T20:58:13Z)
• MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning [63.50909998372667]
  テキストの論理的ReasonIngに対して,Metaパスを用いたコントラスト学習手法であるMERItを提案する。 2つの新しい戦略が我々の手法の必須要素である。
  論文  参考訳（メタデータ） (2022-03-01T11:13:00Z)
• Online Bootstrap Inference For Policy Evaluation in Reinforcement Learning [90.59143158534849]
  近年の強化学習の出現は、頑健な統計的推論手法の需要を生み出している。 オンライン学習における統計的推論の既存の方法は、独立してサンプリングされた観察を含む設定に限られる。 オンラインブートストラップは線形近似アルゴリズムにおける統計的推測のための柔軟で効率的な手法であるが、マルコフノイズを含む設定における有効性はまだ検討されていない。
  論文  参考訳（メタデータ） (2021-08-08T18:26:35Z)
• Uncertainty-Aware Signal Temporal logic [21.626420725274208]
  既存の時間論理推論手法は、データの不確かさをほとんど無視する。 本稿では,不確実性を考慮した信号時間論理(STL)推論手法を提案する。
  論文  参考訳（メタデータ） (2021-05-24T21:26:57Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• Learning Implicitly with Noisy Data in Linear Arithmetic [94.66549436482306]
  PAC-セマンティックスにおける暗黙学習を拡張し、線形算術の言語における間隔としきい値の不確実性を扱う。 最適線形プログラミング対象制約の学習に対する我々の暗黙的アプローチは、実際的な明示的アプローチよりも著しく優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-23T19:08:46Z)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)

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。