論文の概要: Conformal Predictive Monitoring for Multi-Modal Scenarios

• arxiv url: http://arxiv.org/abs/2509.01338v1
• Date: Mon, 01 Sep 2025 10:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.645528
• Title: Conformal Predictive Monitoring for Multi-Modal Scenarios
• Title（参考訳）: マルチモードシナリオのコンフォーマル予測モニタリング
• Authors: Francesca Cairoli, Luca Bortolussi, Jyotirmoy V. Deshmukh, Lars Lindemann, Nicola Paoletti,
• Abstract要約: 本稿では,モデルアクセスを明示的に必要とせず,確率的およびマルチモーダルなシステムのダイナミクスを近似するGenQPMを提案する。 我々はエージェントナビゲーションと自律運転タスクのベンチマークにおけるGenQPMの有効性を示す。
• 参考スコア（独自算出の注目度）: 6.726718522458479
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of quantitative predictive monitoring (QPM) of stochastic systems, i.e., predicting at runtime the degree of satisfaction of a desired temporal logic property from the current state of the system. Since computational efficiency is key to enable timely intervention against predicted violations, several state-of-the-art QPM approaches rely on fast machine-learning surrogates to provide prediction intervals for the satisfaction values, using conformal inference to offer statistical guarantees. However, these QPM methods suffer when the monitored agent exhibits multi-modal dynamics, whereby certain modes may yield high satisfaction values while others critically violate the property. Existing QPM methods are mode-agnostic and so would yield overly conservative and uninformative intervals that lack meaningful mode-specific satisfaction information. To address this problem, we present GenQPM, a method that leverages deep generative models, specifically score-based diffusion models, to reliably approximate the probabilistic and multi-modal system dynamics without requiring explicit model access. GenQPM employs a mode classifier to partition the predicted trajectories by dynamical mode. For each mode, we then apply conformal inference to produce statistically valid, mode-specific prediction intervals. We demonstrate the effectiveness of GenQPM on a benchmark of agent navigation and autonomous driving tasks, resulting in prediction intervals that are significantly more informative (less conservative) than mode-agnostic baselines.
• Abstract（参考訳）: 確率システムの量的予測モニタリング(QPM)の問題,すなわち,システムの現在の状態から所望の時間論理特性の満足度を実行時に予測する問題を考える。 予測違反に対するタイムリーな介入を可能にするために計算効率が重要であるため、いくつかの最先端QPMアプローチは高速な機械学習サロゲートを使用して満足度値の予測間隔を提供し、共形推論を用いて統計的保証を提供する。 しかし、これらのQPM法は、モニタされたエージェントがマルチモーダルなダイナミクスを示すときに苦しめられ、特定のモードによって高い満足度が得られ、他方は特性に批判的に違反する。 既存のQPM法はモードに依存しないため、意味のあるモード固有の満足度情報を持たない、過度に保守的で非形式的な間隔が得られる。 この問題に対処するために、GinQPMは、特にスコアベース拡散モデルのような深層生成モデルを利用して、明示的なモデルアクセスを必要とせず、確率的およびマルチモーダル系のダイナミクスを確実に近似する手法を提案する。 GenQPMは、予測された軌道を動的モードで分割するためにモード分類器を使用する。 次に、各モードに対して共形推論を適用し、統計的に有効なモード固有の予測間隔を生成する。 エージェントナビゲーションと自律運転タスクのベンチマークにおけるGenQPMの有効性を示す。

関連論文リスト

• SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
  SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。 具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。 我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-25T03:33:45Z)
• Conformal Quantitative Predictive Monitoring of STL Requirements for Stochastic Processes [4.279881803310469]
  Signal Temporal Logic (STL) で与えられたプロセスと豊富な仕様をサポートする最初のPM法である textitquantitative predictive monitoring (QPM) を導入する。 QPMは、$phi$の量的(いわゆる頑健な)STLセマンティクスを予測することで満足度を定量的に測定する。 合成式を扱うために,我々のモニタをどのように構成的に組み合わせることができるかを示す。
  論文  参考訳（メタデータ） (2022-11-04T11:08:29Z)
• CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation [107.63407690972139]
  Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。 CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。 さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
  論文  参考訳（メタデータ） (2021-07-07T22:20:24Z)
• FairCanary: Rapid Continuous Explainable Fairness [8.362098382773265]
  本稿では,新しいモデルバイアス量化尺度であるQuantile Demographic Drift(QDD)を提案する。 QDDは継続的な監視シナリオに最適であり、従来のしきい値ベースのバイアスメトリクスの統計的制限に悩まされない。 QDDをFairCanaryと呼ばれる継続的モデル監視システムに組み込み、各予測毎に計算された既存の説明を再利用します。
  論文  参考訳（メタデータ） (2021-06-13T17:47:44Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)

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。