Fugu-MT 論文翻訳(概要): Delay Independent Safe Control with Neural Networks: Positive Lur'e Certificates for Risk Aware Autonomy

論文の概要: Delay Independent Safe Control with Neural Networks: Positive Lur'e Certificates for Risk Aware Autonomy

arxiv url: http://arxiv.org/abs/2510.06661v1
Date: Wed, 08 Oct 2025 05:22:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-09 16:41:20.314086
Title: Delay Independent Safe Control with Neural Networks: Positive Lur'e Certificates for Risk Aware Autonomy
Title（参考訳）: ニューラルネットワークによる独立安全制御の遅延:リスク認識自律性のための正のLur'e証明書
Authors: Hamidreza Montazeri Hedesh, Milad Siami,
Abstract要約: 本稿では,自律型学習可能制御システムに対するリスク認識型安全性保証手法を提案する。我々は、局所セクター境界を持つニューラルネットワーク(NN)コントローラをモデル化し、線形で遅延非依存の証明書を導出する正の構造の活用を行う。
参考スコア（独自算出の注目度）: 0.5729426778193398
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a risk-aware safety certification method for autonomous, learning enabled control systems. Focusing on two realistic risks, state/input delays and interval matrix uncertainty, we model the neural network (NN) controller with local sector bounds and exploit positivity structure to derive linear, delay-independent certificates that guarantee local exponential stability across admissible uncertainties. To benchmark performance, we adopt and implement a state-of-the-art IQC NN verification pipeline. On representative cases, our positivity-based tests run orders of magnitude faster than SDP-based IQC while certifying regimes the latter cannot-providing scalable safety guarantees that complement risk-aware control.
Abstract（参考訳）: 本稿では,自律型学習可能制御システムに対するリスク認識型安全性保証手法を提案する。状態/入出力遅延と間隔行列の不確実性という2つの現実的なリスクに着目して、ニューラルネットワーク(NN)コントローラを局所セクタ境界でモデル化し、肯定構造を利用して線形で遅延非依存な証明書を導出し、許容可能な不確実性間の局所的な指数的安定性を保証する。性能をベンチマークするために、我々は最先端のIQC NN検証パイプラインを採用し実装した。代表的なケースでは、当社の実証に基づくテストは、SDPベースのIQCよりも桁違いに高速に実行される一方で、リスク認識制御を補完するスケーラブルな安全保証を提供することは不可能である。

関連論文リスト

A Safety-Constrained Reinforcement Learning Framework for Reliable Wireless Autonomy [1.5469452301122173]
本稿では,実証搬送制御とエンパワーメント予算(EB)適用を統合した,積極的な安全制約付きRLフレームワークを提案する。本手法は, 性能劣化を最小限に抑え, 証明可能な安全保証を実現する。その結果,将来の6Gネットワークにおける信頼性の高い無線自律性を実現するために,プロアクティブな安全制約付きRLの可能性を浮き彫りにした。
論文参考訳（メタデータ） (2026-01-12T02:02:52Z)
Robustness Certificates for Neural Networks against Adversarial Attacks [9.365069861121944]
本稿では,勾配に基づく学習を離散時間力学系としてモデル化する形式的頑健性認定フレームワークを提案する。当社のフレームワークはテスト時の攻撃に対する認証にも拡張されており、トレーニングとテスト時の攻撃設定の両方で正式な保証を提供する最初の統一されたフレームワークです。
論文参考訳（メタデータ） (2025-12-24T00:49:47Z)
Reliable LLM-Based Edge-Cloud-Expert Cascades for Telecom Knowledge Systems [54.916243942641444]
大規模言語モデル(LLM)は、通信などの分野において、自動化の鍵となる存在として浮上している。本研究では,問合せパイプラインによる意思決定を支援する,エッジクラウドに精通したLLMベースの知識システムについて検討する。
論文参考訳（メタデータ） (2025-12-23T03:10:09Z)
Distributionally Robust Safety Verification of Neural Networks via Worst-Case CVaR [3.0458514384586404]
本稿では、ニューラルネットワーク検証のためのFazlyabの2次制約(QC)と半定値プログラミング(SDP)フレームワークを構築する。この統合により、入力不確かさをカバーする楕円体、ポリトープ、超平面が拡張され、安全クリティカルドメインへの適用性も拡張される。
論文参考訳（メタデータ） (2025-09-22T07:04:53Z)
Risk-Averse Certification of Bayesian Neural Networks [70.44969603471903]
本稿では,RAC-BNNと呼ばれるベイズニューラルネットワークに対するリスク・アバース認証フレームワークを提案する。提案手法はサンプリングと最適化を利用して,BNNの出力集合の音響近似を計算する。我々は,RAC-BNNを回帰および分類ベンチマークで検証し,その性能を最先端の手法と比較した。
論文参考訳（メタデータ） (2024-11-29T14:22:51Z)
Lyapunov-stable Neural Control for State and Output Feedback: A Novel Formulation [67.63756749551924]
学習ベースのニューラルネットワーク(NN)制御ポリシは、ロボット工学と制御の幅広いタスクにおいて、印象的な経験的パフォーマンスを示している。非線形力学系を持つNNコントローラのトラクション領域(ROA)に対するリアプノフ安定性の保証は困難である。我々は、高速な経験的ファルシフィケーションと戦略的正則化を用いて、Lyapunov証明書とともにNNコントローラを学習するための新しいフレームワークを実証する。
論文参考訳（メタデータ） (2024-04-11T17:49:15Z)
Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文参考訳（メタデータ） (2022-11-29T13:32:38Z)
Reachability Verification Based Reliability Assessment for Deep Reinforcement Learning Controlled Robotics and Autonomous Systems [17.679681019347065]
Deep Reinforcement Learning (DRL)は、ロボット工学と自律システム(RAS)において優れたパフォーマンスを達成した実生活での運用において重要な課題は、危険なほど安全でないDRLポリシーの存在である。本稿ではDRL制御RASのための新しい定量的信頼性評価フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-26T19:25:46Z)
Risk Verification of Stochastic Systems with Neural Network Controllers [0.0]
ニューラルネットワーク(NN)コントローラを用いた動的システムのリスク検証のための,データ駆動型フレームワークを提案する。制御システム,NNコントローラ,トレースロバスト性の概念を備えた仕様が与えられた場合,システムからトラジェクトリを収集する。 NNコントローラが仕様を満たさないリスクを推定するために、これらのロバストネス値のリスクメトリクスを計算します。
論文参考訳（メタデータ） (2022-08-26T20:09:55Z)
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)
Robust Stability of Neural-Network Controlled Nonlinear Systems with Parametric Variability [2.0199917525888895]
ニューラルネットワーク制御非線形システムの安定性と安定化性の理論を考案する。このような頑健な安定化NNコントローラの計算には、安定性保証トレーニング(SGT)も提案されている。
論文参考訳（メタデータ） (2021-09-13T05:09:30Z)
Certifiably Adversarially Robust Detection of Out-of-Distribution Data [111.67388500330273]
我々は,OOD点における信頼度を低くすることで,OOD検出の証明可能な最悪のケースを保証することを目的としている。トレーニング時に見られるOODデータセットを超えて一般化されたOODデータの信頼性の非自明な境界が可能であることを示す。
論文参考訳（メタデータ） (2020-07-16T17:16:47Z)

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。