論文の概要: Safe Bayesian optimization across noise models via scenario programming

• arxiv url: http://arxiv.org/abs/2512.11580v1
• Date: Fri, 12 Dec 2025 14:08:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.793262
• Title: Safe Bayesian optimization across noise models via scenario programming
• Title（参考訳）: シナリオプログラミングによるノイズモデル間の安全なベイズ最適化
• Authors: Abdullah Tokmak, Thomas B. Schön, Dominik Baumann,
• Abstract要約: 本稿では,準ガウス分布やヘテロ代用重み付き分布を含む,ノイズモデル間の安全BOの簡易かつ厳密なアプローチを提案する。 我々は,アルゴリズムを合成例に展開し,シミュレーションにおいてFranka Emikaマニピュレータのコントローラをチューニングする。
• 参考スコア（独自算出の注目度）: 11.66003972374653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safe Bayesian optimization (BO) with Gaussian processes is an effective tool for tuning control policies in safety-critical real-world systems, specifically due to its sample efficiency and safety guarantees. However, most safe BO algorithms assume homoscedastic sub-Gaussian measurement noise, an assumption that does not hold in many relevant applications. In this article, we propose a straightforward yet rigorous approach for safe BO across noise models, including homoscedastic sub-Gaussian and heteroscedastic heavy-tailed distributions. We provide a high-probability bound on the measurement noise via the scenario approach, integrate these bounds into high probability confidence intervals, and prove safety and optimality for our proposed safe BO algorithm. We deploy our algorithm in synthetic examples and in tuning a controller for the Franka Emika manipulator in simulation.
• Abstract（参考訳）: ガウス過程を用いた安全ベイズ最適化(BO)は、安全クリティカルな現実世界システムにおける制御ポリシーを調整するための効果的なツールである。 しかし、最も安全なBOアルゴリズムは、多くの関連する応用に当てはまらない仮定である準ガウス測度ノイズを仮定する。 本稿では,準ガウス分布やヘテロセバスト重み付き分布を含む,ノイズモデル間の安全BOの簡易かつ厳密なアプローチを提案する。 シナリオアプローチにより測定ノイズに縛られる高い確率性を提供し、これらの境界を高い確率信頼区間に統合し、提案した安全BOアルゴリズムの安全性と最適性を証明する。 我々は,アルゴリズムを合成例に展開し,シミュレーションにおいてFranka Emikaマニピュレータのコントローラをチューニングする。

関連論文リスト

• Towards safe Bayesian optimization with Wiener kernel regression [0.6554326244334868]
  本稿では、最近提案されたWienerカーネル回帰に基づいて、新しいエラー境界を提案する。 比較的穏やかな仮定の下では、提案された誤差境界は、文献に記録された境界よりも厳密であることを示す。 提案手法の有効性を示す数値的な例を挙げる。
  論文  参考訳（メタデータ） (2024-11-04T16:43:16Z)
• Optimizing Falsification for Learning-Based Control Systems: A Multi-Fidelity Bayesian Approach [40.58350379106314]
  ファルシフィケーション問題は システムの安全要件に反する 反例を識別することです 本稿では,様々な精度でシミュレータを利用する多要素ベイズ最適化ファルシフィケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-12T14:51:03Z)
• PACSBO: Probably approximately correct safe Bayesian optimization [10.487548576958421]
  データから未知関数のRKHSノルムの上界を推定するアルゴリズムを提案する。 我々は、RKHS規範をグローバルオブジェクトではなくローカルオブジェクトとして扱い、保守主義を減少させる。 RKHSノルム推定とRKHSノルムの局所解釈を安全なBOアルゴリズムに統合するとPACSBOが得られる。
  論文  参考訳（メタデータ） (2024-09-02T10:50:34Z)
• Information-Theoretic Safe Bayesian Optimization [59.758009422067005]
  そこでは、未知の(安全でない)制約に反するパラメータを評価することなく、未知の関数を最適化することを目的としている。 現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。 本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
  論文  参考訳（メタデータ） (2024-02-23T14:31:10Z)
• Towards Safe Multi-Task Bayesian Optimization [1.3654846342364308]
  システムの物理モデルを減らすことは最適化プロセスに組み込むことができ、それを加速することができる。 これらのモデルは実際のシステムの近似を提供することができ、それらの評価は極めて安価である。 安全はベイズ最適化のようなオンライン最適化手法にとって重要な基準である。
  論文  参考訳（メタデータ） (2023-12-12T13:59:26Z)
• Bayesian Optimization with Formal Safety Guarantees via Online Conformal Prediction [36.14499894307206]
  ブラックボックスゼロ階最適化は、金融、物理学、工学といった分野における応用において中心的な原始である。 本稿では,提案手法の安全性に関するフィードバックも提供するシナリオについて検討する。 制約関数の性質に関わらず、安全要件を満たす新しいBOベースのアプローチが導入された。
  論文  参考訳（メタデータ） (2023-06-30T17:26:49Z)
• Robust Control for Dynamical Systems With Non-Gaussian Noise via Formal Abstractions [59.605246463200736]
  雑音分布の明示的な表現に依存しない新しい制御器合成法を提案する。 まず、連続制御系を有限状態モデルに抽象化し、離散状態間の確率的遷移によってノイズを捕捉する。 我々は最先端の検証技術を用いてマルコフ決定プロセスの間隔を保証し、これらの保証が元の制御システムに受け継がれるコントローラを演算する。
  論文  参考訳（メタデータ） (2023-01-04T10:40:30Z)
• Benefits of Monotonicity in Safe Exploration with Gaussian Processes [50.71125084216603]
  動作の集合上で未知の関数を逐次最大化する問題を考察する。 M-SafeUCBは、安全性、適切に定義された後悔の念、安全境界全体の発見という理論的な保証を享受していることを示す。
  論文  参考訳（メタデータ） (2022-11-03T02:52:30Z)
• 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)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian Noise [59.47042225257565]
  雑音分布の明示的な表現に依存しない新しい計画法を提案する。 まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。 いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
  論文  参考訳（メタデータ） (2021-10-25T06:18:55Z)

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。