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 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)
• 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。