論文の概要: Conformal Safety Monitoring for Flight Testing: A Case Study in Data-Driven Safety Learning

• arxiv url: http://arxiv.org/abs/2511.20811v1
• Date: Tue, 25 Nov 2025 19:57:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.838965
• Title: Conformal Safety Monitoring for Flight Testing: A Case Study in Data-Driven Safety Learning
• Title（参考訳）: 飛行テストのためのコンフォーマル安全モニタリング--データ駆動型安全学習を事例として
• Authors: Aaron O. Feldman, D. Isaiah Harp, Joseph Duncan, Mac Schwager,
• Abstract要約: 我々は、パイロットが不確実なパラメータで航空機の操縦を行う飛行試験における安全監視のためのデータ駆動型アプローチを開発した。 パイロットが直面している短期安全リスクのキャリブレーションされた統計モデルを、オフライン軌道シミュレーションを用いて学習する。 本研究では,不確実なパラメータを持つ飛行力学モデルを用いて,安全でないシナリオを確実に識別できることを示す。
• 参考スコア（独自算出の注目度）: 7.0366838632617705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a data-driven approach for runtime safety monitoring in flight testing, where pilots perform maneuvers on aircraft with uncertain parameters. Because safety violations can arise unexpectedly as a result of these uncertainties, pilots need clear, preemptive criteria to abort the maneuver in advance of safety violation. To solve this problem, we use offline stochastic trajectory simulation to learn a calibrated statistical model of the short-term safety risk facing pilots. We use flight testing as a motivating example for data-driven learning/monitoring of safety due to its inherent safety risk, uncertainty, and human-interaction. However, our approach consists of three broadly-applicable components: a model to predict future state from recent observations, a nearest neighbor model to classify the safety of the predicted state, and classifier calibration via conformal prediction. We evaluate our method on a flight dynamics model with uncertain parameters, demonstrating its ability to reliably identify unsafe scenarios, match theoretical guarantees, and outperform baseline approaches in preemptive classification of risk.
• Abstract（参考訳）: 我々は,パイロットが不確実なパラメータで航空機の操縦を行う飛行試験において,実行時安全監視のためのデータ駆動型アプローチを開発した。 これらの不確実性の結果として、安全違反が予期せず発生する可能性があるため、パイロットは安全違反の前の操作を中止するための明確な先制的な基準が必要である。 この問題を解決するために, オフライン確率軌道シミュレーションを用いて, パイロットが直面している短期的安全リスクのキャリブレーションされた統計モデルを学習する。 飛行テストは、データ駆動による安全性の学習/監視のモチベーションの例として、本質的にの安全性のリスク、不確実性、ヒューマンインタラクションといった理由から使用しています。 しかし,本手法は,最近の観測から将来の状態を予測するためのモデル,予測状態の安全性を分類する最も近い近傍モデル,共形予測による分類器キャリブレーションという,広く適用可能な3つのコンポーネントで構成されている。 本研究では,不確実なパラメータを持つ飛行力学モデルを用いて,安全でないシナリオを確実に識別し,理論的保証に適合し,リスクのプリエンプティブな分類におけるベースラインアプローチより優れていることを示す。

関連論文リスト

• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
  我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。 安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。 複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
  論文  参考訳（メタデータ） (2025-08-17T23:46:36Z)
• System Safety Monitoring of Learned Components Using Temporal Metric Forecasting [8.76735390039138]
  学習可能な自律システムにおいて、学習したコンポーネントの安全性監視は、その出力がシステムの安全性違反に結びつかないことを保証するために不可欠である。 本稿では,確率的時系列予測に基づく安全監視手法を提案する。 安全度と違反予測精度を実証的に評価し、4つの最先端モデルの推論遅延とリソース使用率について検討した。
  論文  参考訳（メタデータ） (2024-05-21T23:48:26Z)
• 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)
• ProBF: Learning Probabilistic Safety Certificates with Barrier Functions [31.203344483485843]
  制御バリア関数は、地平系力学にアクセスできれば安全を保証できる便利なツールである。 実際には、システムダイナミクスに関する不正確な知識があるため、安全でない振る舞いにつながる可能性があります。 本手法の有効性をSegwayとQuadrotorのシミュレーション実験により示す。
  論文  参考訳（メタデータ） (2021-12-22T20:18:18Z)
• Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
  早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。 安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。 本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-28T23:00:30Z)
• Context-Aware Safe Reinforcement Learning for Non-Stationary Environments [24.75527261989899]
  現実的なタスクのために強化学習エージェントを展開する場合、安全は重要な問題である。 非定常環境における安全な適応を実現するために,文脈認識型安全強化学習法(CASRL)を提案する。 提案アルゴリズムは,安全性とロバスト性の観点から,既存のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-01-02T23:52:22Z)

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。