論文の概要: Learning-Based Shrinking Disturbance-Invariant Tubes for State- and Input-Dependent Uncertainty

• arxiv url: http://arxiv.org/abs/2601.11426v1
• Date: Fri, 16 Jan 2026 16:47:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.816735
• Title: Learning-Based Shrinking Disturbance-Invariant Tubes for State- and Input-Dependent Uncertainty
• Title（参考訳）: 状態依存型および入力依存型不確実性のための学習型研削外乱不変チューブ
• Authors: Abdelrahman Ramadan, Sidney Givigi,
• Abstract要約: 我々は、状態依存と入力依存の不確実性の下で、外乱不変チューブの縮小を構築するための学習ベースのフレームワークを開発する。 我々は、リストアップされたイソトン(オーダー保存)固定点マップを介して安全性を認証する。
• 参考スコア（独自算出の注目度）: 1.3750624267664155
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We develop a learning-based framework for constructing shrinking disturbance-invariant tubes under state- and input-dependent uncertainty, intended as a building block for tube Model Predictive Control (MPC), and certify safety via a lifted, isotone (order-preserving) fixed-point map. Gaussian Process (GP) posteriors become $(1-α)$ credible ellipsoids, then polytopic outer sets for deterministic set operations. A two-time-scale scheme separates learning epochs, where these polytopes are frozen, from an inner, outside-in iteration that converges to a compact fixed point $Z^\star\!\subseteq\!\mathcal G$; its state projection is RPI for the plant. As data accumulate, disturbance polytopes tighten, and the associated tubes nest monotonically, resolving the circular dependence between the set to be verified and the disturbance model while preserving hard constraints. A double-integrator study illustrates shrinking tube cross-sections in data-rich regions while maintaining invariance.
• Abstract（参考訳）: 本研究では,チューブモデル予測制御 (MPC) のビルディングブロックとして意図された,状態依存および入力依存の不確実性の下で外乱不変チューブの縮小を構築するための学習ベースのフレームワークを開発し,昇降型イソトン固定点マップによる安全性の証明を行う。 ガウス過程 (GP) の後方は 1-α = 信頼できる楕円体となり、決定論的集合演算のためのポリトープ外集合となる。 2時間スケールのスキームは、これらのポリトープが凍結される学習エポックを、コンパクトな固定点 $Z^\star\! に収束する内在的な反復から分離する。 サブセット! mathcal G$; 状態射影は植物に対するRPIである。 データが蓄積されると、乱れポリトープと関連する管は単調にネストし、検証対象の集合と乱れモデルとの間の円形の依存を解消し、厳しい制約を保っている。 二重積分器による研究は、不変性を保ちながら、データ豊富な領域における管断面積の縮小を描いている。

関連論文リスト

• Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions [0.0]
  ゲノミクスの実験では、交換可能性はしばしば、対象変数を「影響を受けない」ままにしておく介入のサブセットにのみ保持される。 i)「影響のない」キャリブレーション例の誤分類が、明示的な関数$g(,n)$の汚染分数とキャリブレーションセットサイズを介してどのようにカバレッジを劣化させるか、および (ii) 2つの後続指標$Z_a,i=mathbf1iinmathrmdesc(a)$のみを推定するタスク駆動部分因果学習の定式化。
  論文  参考訳（メタデータ） (2026-03-02T18:58:22Z)
• On the Structural Non-Preservation of Epistemic Behaviour under Policy Transformation [51.56484100374058]
  このような情報条件の相互作用パターンを振る舞い依存として定式化する。 これにより、$$-behavioural equivalenceというプローブ相対的な概念と、政治内行動距離が導かれる。 その結果、共通政策変換の下でプローブ条件の挙動分離が保存されない構造条件が明らかになった。
  論文  参考訳（メタデータ） (2026-02-24T22:55:21Z)
• Distributional Stability of Tangent-Linearized Gaussian Inference on Smooth Manifolds [3.632189127068905]
  我々は、投射限界化と表面測定条件付けのために、明示的な非漸近的な$W$安定性境界を導出する。 境界は局所的な2次幾何学的歪みと非局所的な尾の漏れを区別する。 実験では、$sqrt||_mathrmop/Rapprox 1/6$付近で予測されたキャリブレーション遷移を検証し、正規方向の不確実性が局所性破壊時の支配的な障害モードであることを示す。
  論文  参考訳（メタデータ） (2026-02-22T13:18:45Z)
• GenPANIS: A Latent-Variable Generative Framework for Forward and Inverse PDE Problems in Multiphase Media [0.8594140167290095]
  多相媒体における逆問題と逆設計は、離散値の材料フィールドを操作する必要がある。 我々は、精密な離散的な微細構造を保持する統一的な生成フレームワークGenPANISを提案する。 微分可能な粗粒PDEソルバを組み込んだ物理対応デコーダは、支配方程式構造を保存する。
  論文  参考訳（メタデータ） (2026-02-16T11:08:30Z)
• Stabilizing Fixed-Point Iteration for Markov Chain Poisson Equations [49.702772230127465]
  有限状態マルコフ鎖を$n$状態と遷移行列$P$で研究する。 すべての非退化モードが実周辺不変部分空間 $mathcalK(P)$ によってキャプチャされ、商空間 $mathbbRn/mathcalK(P) 上の誘導作用素が厳密に収縮し、ユニークな商解が得られることを示す。
  論文  参考訳（メタデータ） (2026-01-31T02:57:01Z)
• Density-Aware Noise Mechanisms for Differential Privacy on Riemannian Manifolds via Conformal Transformation [1.5632754424046598]
  共形変換に基づく密度認識型差分プライバシー機構を開発した。 我々は,不均一な多様体設定におけるプライバシ・ユーティリティのトレードオフを大幅に改善することが実証された。
  論文  参考訳（メタデータ） (2025-04-29T17:05:55Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Consistent Online Gaussian Process Regression Without the Sample Complexity Bottleneck [14.309243378538012]
  本稿では,現在の後方中心のHellingerメトリックに対して,エラー近傍を修正可能なオンライン圧縮方式を提案する。 一定の誤差半径の場合、POG は集団後部の近傍 (Theorem 1(ii)) に収束するが、特徴空間の計量エントロピーによって決定される有限メモリのオン・ウォーストに収束する。
  論文  参考訳（メタデータ） (2020-04-23T11:52:06Z)

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。