論文の概要: Safe Time-Varying Optimization based on Gaussian Processes with Spatio-Temporal Kernel

• arxiv url: http://arxiv.org/abs/2409.18000v1
• Date: Thu, 26 Sep 2024 16:09:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-28 16:26:02.133698
• Title: Safe Time-Varying Optimization based on Gaussian Processes with Spatio-Temporal Kernel
• Title（参考訳）: 時空間カーネルを用いたガウス過程に基づく安全時変最適化
• Authors: Jialin Li, Marta Zagorowska, Giulia De Pasquale, Alisa Rupenyan, John Lygeros,
• Abstract要約: TVSafeOptは、未知の報酬と安全機能を持つ時間変化最適化問題のアルゴリズムである。 TVSafeOptは、明示的な変更検出を必要とせずに、時間変化のある安全な領域を安全に追跡することができる。 その結果,TVSafeOptは,安全と最適性の両方に関して,合成データ上でSafeOptと良好に比較できることがわかった。
• 参考スコア（独自算出の注目度）: 4.586346034304039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring safety is a key aspect in sequential decision making problems, such as robotics or process control. The complexity of the underlying systems often makes finding the optimal decision challenging, especially when the safety-critical system is time-varying. Overcoming the problem of optimizing an unknown time-varying reward subject to unknown time-varying safety constraints, we propose TVSafeOpt, a new algorithm built on Bayesian optimization with a spatio-temporal kernel. The algorithm is capable of safely tracking a time-varying safe region without the need for explicit change detection. Optimality guarantees are also provided for the algorithm when the optimization problem becomes stationary. We show that TVSafeOpt compares favorably against SafeOpt on synthetic data, both regarding safety and optimality. Evaluation on a realistic case study with gas compressors confirms that TVSafeOpt ensures safety when solving time-varying optimization problems with unknown reward and safety functions.
• Abstract（参考訳）: 安全を確保することは、ロボット工学やプロセス制御といったシーケンシャルな意思決定問題において重要な側面である。 基礎となるシステムの複雑さは、特に安全クリティカルなシステムが時間的に変化する場合、最適な決定を見つけることを難しくすることが多い。 そこで我々は,時空間カーネルを用いたベイズ最適化に基づく新しいアルゴリズムであるTVSafeOptを提案する。 このアルゴリズムは、明示的な変更検出を必要とせずに、時間変化のある安全な領域を安全に追跡することができる。 また、最適化問題が定常となると、アルゴリズムに最適性保証が提供される。 その結果,TVSafeOptは,安全と最適性の両方に関して,合成データ上でSafeOptと良好に比較できることがわかった。 ガス圧縮機を用いた実例実験の結果,TVSafeOptは未知の報酬関数と安全関数を持つ時間変化最適化問題を解く際に,安全性を保証することが確認された。

関連論文リスト

• CMA-ES for Safe Optimization [9.130749109828717]
  本研究は,効率的な進化アルゴリズムとしてCMA-ESに着目し,安全なCMA-ESと呼ばれる最適化手法を提案する。 安全なCMA-ESは、安全な最適化において安全性と効率の両方を達成するように設計されている。
  論文  参考訳（メタデータ） (2024-05-17T04:24:56Z)
• On Safety in Safe Bayesian Optimization [5.9045432488022485]
  本稿では,一般的なSafeOpt型アルゴリズムの安全性に関する3つの問題について検討する。 まず、これらのアルゴリズムはガウス過程(GP)回帰に対する頻繁な境界の不確実性に批判的に依存する。 第二に、ターゲット関数の再生カーネルヒルベルト空間(RKHS)ノルム上の上限を仮定する。 第3に、SafeOptと派生アルゴリズムは離散的な検索空間に依存しており、高次元問題に適用することは困難である。
  論文  参考訳（メタデータ） (2024-03-19T17:50:32Z)
• Information-Theoretic Safe Bayesian Optimization [59.758009422067005]
  そこでは、未知の(安全でない)制約に反するパラメータを評価することなく、未知の関数を最適化することを目的としている。 現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。 本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
  論文  参考訳（メタデータ） (2024-02-23T14:31:10Z)
• Bayesian Optimization with Formal Safety Guarantees via Online Conformal Prediction [36.14499894307206]
  ブラックボックスゼロ階最適化は、金融、物理学、工学といった分野における応用において中心的な原始である。 本稿では,提案手法の安全性に関するフィードバックも提供するシナリオについて検討する。 制約関数の性質に関わらず、安全要件を満たす新しいBOベースのアプローチが導入された。
  論文  参考訳（メタデータ） (2023-06-30T17:26:49Z)
• Adaptive Real Time Exploration and Optimization for Safety-Critical Systems [0.0]
  安全制約を考慮したプログラミング問題として,マルチアームバンディットを用いたARTEOアルゴリズムを提案する。 最適化入力の変化と探索を通して環境特性を学習する。 既存のセーフラーニング手法と比較して、我々のアルゴリズムは排他的な探索フェーズを必要とせず、探索点においても最適化目標に従う。
  論文  参考訳（メタデータ） (2022-11-10T11:37:22Z)
• 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)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Towards Safe Policy Improvement for Non-Stationary MDPs [48.9966576179679]
  多くの実世界の利害問題は非定常性を示し、利害関係が高ければ、偽の定常性仮定に関連するコストは受け入れがたい。 我々は、スムーズに変化する非定常的な意思決定問題に対して、高い信頼性で安全性を確保するための第一歩を踏み出します。 提案手法は,時系列解析を用いたモデルフリー強化学習の合成により,セルドンアルゴリズムと呼ばれる安全なアルゴリズムを拡張した。
  論文  参考訳（メタデータ） (2020-10-23T20:13:51Z)
• Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
  最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。 提案アルゴリズムの有効性はCart-Pole環境で検証する。
  論文  参考訳（メタデータ） (2020-06-01T13:48:59Z)
• Chance-Constrained Trajectory Optimization for Safe Exploration and Learning of Nonlinear Systems [81.7983463275447]
  学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。 本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-09T05:57:43Z)

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。