論文の概要: Enhancing AI System Resiliency: Formulation and Guarantee for LSTM Resilience Based on Control Theory

• arxiv url: http://arxiv.org/abs/2505.17696v3
• Date: Thu, 31 Jul 2025 07:06:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 19:25:47.077912
• Title: Enhancing AI System Resiliency: Formulation and Guarantee for LSTM Resilience Based on Control Theory
• Title（参考訳）: AIシステムのレジリエンスを高める:制御理論に基づくLSTMレジリエンスの定式化と保証
• Authors: Sota Yoshihara, Ryosuke Yamamoto, Hiroyuki Kusumoto, Masanari Shimura,
• Abstract要約: 我々は,LSTMが異常入力後に正常状態に戻るために必要な時間を定量化するために,新たな回復時間(recovery time)をレジリエンスの指標として導入する。 簡易モデルを用いた実験により, レジリエンス推定と制御手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 0.18749305679160366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a novel theoretical framework for guaranteeing and evaluating the resilience of long short-term memory (LSTM) networks in control systems. We introduce "recovery time" as a new metric of resilience in order to quantify the time required for an LSTM to return to its normal state after anomalous inputs. By mathematically refining incremental input-to-state stability ($\delta$ISS) theory for LSTM, we derive a practical data-independent upper bound on recovery time. This upper bound gives us resilience-aware training. Experimental validation on simple models demonstrates the effectiveness of our resilience estimation and control methods, enhancing a foundation for rigorous quality assurance in safety-critical AI applications.
• Abstract（参考訳）: 本稿では,制御システムにおける長寿命メモリ(LSTM)ネットワークのレジリエンスを保証し,評価するための新たな理論的枠組みを提案する。 我々は,LSTMが異常入力後に正常状態に戻るために必要な時間を定量化するために,新たな回復時間(recovery time)をレジリエンスの指標として導入する。 LSTMのインクリメンタルインプット・ツー・ステート安定性(\delta$ISS)理論を数学的に精錬することにより、リカバリ時間に実際にデータに依存しない上限を導出する。 この上限は、レジリエンスを意識したトレーニングを提供します。 簡単なモデルに対する実験的な検証は、我々のレジリエンス推定と制御方法の有効性を示し、安全クリティカルなAIアプリケーションにおける厳密な品質保証の基礎を高める。

関連論文リスト

• On the Definition of Robustness and Resilience of AI Agents for Real-time Congestion Management [0.0]
  欧州連合の人工知能(AI)法は、リスクの高いセクターに対する堅牢性、レジリエンス、およびセキュリティ要件を定義している。 本稿では,混雑管理における強化学習エージェントの堅牢性とレジリエンスを定量的に評価するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-04-17T20:01:48Z)
• 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)
• Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach [66.53364438507208]
  アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。 非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。 ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。 増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:16:28Z)
• AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
  限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。 AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• 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)
• Joint Differentiable Optimization and Verification for Certified Reinforcement Learning [91.93635157885055]
  安全クリティカル制御システムのためのモデルベース強化学習では,システム特性を正式に認定することが重要である。 本稿では,強化学習と形式検証を共同で行う枠組みを提案する。
  論文  参考訳（メタデータ） (2022-01-28T16:53:56Z)
• 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)
• Reinforcement Learning Control of Constrained Dynamic Systems with Uniformly Ultimate Boundedness Stability Guarantee [12.368097742148128]
  強化学習(RL)は複雑な非線形制御問題に対して有望である。 データベースの学習アプローチは、安定性を保証していないことで悪名高い。 本稿では,古典的なリャプノフ法を用いて,データのみに基づいて一様極大境界性安定性(UUB)を解析する。
  論文  参考訳（メタデータ） (2020-11-13T12:41:56Z)
• Reinforcement Learning Control of Robotic Knee with Human in the Loop by Flexible Policy Iteration [17.365135977882215]
  本研究は,ポリシーアルゴリズムに革新的な特徴を導入することで,重要な空白を埋める。 本稿では,近似値関数の収束,解の最適性,システムの安定性などのシステムレベルの性能を示す。
  論文  参考訳（メタデータ） (2020-06-16T09:09:48Z)

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。