論文の概要: Formal Control for Uncertain Systems via Contract-Based Probabilistic Surrogates (Extended Version)

• arxiv url: http://arxiv.org/abs/2506.16971v1
• Date: Fri, 20 Jun 2025 13:00:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.454919
• Title: Formal Control for Uncertain Systems via Contract-Based Probabilistic Surrogates (Extended Version)
• Title（参考訳）: 契約に基づく確率的サロゲートによる不確実系の形式制御(拡張版)
• Authors: Oliver Schön, Sofie Haesaert, Sadegh Soudjani,
• Abstract要約: 我々は,複雑な非線形エージェント環境相互作用に対処しながら,高次元に効果的にスケールする抽象的手法を提案する。 我々のアプローチは、複雑な高次元の車両交差点で示されるように、保守主義のスケーラビリティを好意的に交換する。
• 参考スコア（独自算出の注目度）: 1.474723404975345
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The requirement for identifying accurate system representations has not only been a challenge to fulfill, but it has compromised the scalability of formal methods, as the resulting models are often too complex for effective decision making with formal correctness and performance guarantees. Focusing on probabilistic simulation relations and surrogate models of stochastic systems, we propose an approach that significantly enhances the scalability and practical applicability of such simulation relations by eliminating the need to compute error bounds directly. As a result, we provide an abstraction-based technique that scales effectively to higher dimensions while addressing complex nonlinear agent-environment interactions with infinite-horizon temporal logic guarantees amidst uncertainty. Our approach trades scalability for conservatism favorably, as demonstrated on a complex high-dimensional vehicle intersection case study.
• Abstract（参考訳）: 正確なシステム表現を特定するための要件は、達成すべき課題であるだけでなく、形式的なメソッドのスケーラビリティを損なうものでもある。 本稿では,確率的シミュレーション関係と確率的システムのサロゲートモデルに着目し,誤差境界を直接計算する必要をなくし,そのようなシミュレーション関係のスケーラビリティと実用性を大幅に向上させるアプローチを提案する。 その結果、無限水平時相論理による複雑な非線形エージェント環境相互作用に対処しながら、高次元に効果的にスケールする抽象的手法が不確実性の中で保証されることがわかった。 我々のアプローチは、複雑な高次元車両交差ケーススタディで示されているように、保守主義のスケーラビリティを好意的に交換する。

関連論文リスト

• Adaptive Learning-based Surrogate Method for Stochastic Programs with Implicitly Decision-dependent Uncertainty [1.5412450351033007]
  暗黙的に決定に依存した確率変数が非パラメトリック回帰モデルに従属するプログラミング問題のクラスを考える。 本研究では,シミュレーションスキームと統計的推定を統合した適応学習に基づく代理法を開発し,推定に基づく代理関数を構築する。
  論文  参考訳（メタデータ） (2025-05-12T07:35:06Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [48.15636223774418]
  大きな言語モデル(LLM)は、不一致の自己認識のためにしばしば幻覚する。 既存のアプローチは、不確実性推定やクエリの拒否を通じて幻覚を緩和する。 高速かつ低速な推論システムを統合するための明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• Adaptive Conformal Inference by Betting [51.272991377903274]
  データ生成プロセスについて仮定することなく適応型共形推論の問題を考察する。 適応型共形推論のための既存のアプローチは、オンライン勾配勾配の変種を用いたピンボール損失の最適化に基づいている。 本稿では,パラメータフリーなオンライン凸最適化手法を利用した適応型共形推論手法を提案する。
  論文  参考訳（メタデータ） (2024-12-26T18:42:08Z)
• Data-Driven Distributionally Robust Safety Verification Using Barrier Certificates and Conditional Mean Embeddings [0.24578723416255752]
  問題を非現実的な仮定にシフトすることなく,スケーラブルな形式検証アルゴリズムを開発する。 問題を非現実的な仮定にシフトさせることなく,スケーラブルな形式検証アルゴリズムを開発するためには,バリア証明書の概念を用いる。 本稿では,2乗法最適化とガウス過程エンベロープを用いて効率よくプログラムを解く方法を示す。
  論文  参考訳（メタデータ） (2024-03-15T17:32:02Z)
• Data-Driven Reachability Analysis of Stochastic Dynamical Systems with Conformal Inference [1.446438366123305]
  共形推論を用いた離散時間力学系のデータ駆動型到達可能性解析について考察する。 複雑な閉ループ力学を持つ学習可能な制御系に着目する。
  論文  参考訳（メタデータ） (2023-09-17T07:23:01Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Probabilistic computation and uncertainty quantification with emerging covariance [11.79594512851008]
  堅牢で解釈可能なセキュアなAIシステムを構築するには、確率論的視点の下で不確実性を定量化し、表現する必要がある。 確率計算は、ほとんどの従来の人工ニューラルネットワークにとって重要な課題である。
  論文  参考訳（メタデータ） (2023-05-30T17:55:29Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• 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)

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。