論文の概要: ShardNet: Training Neural Controllers with Hard, Non-Convex Constraints
- arxiv url: http://arxiv.org/abs/2606.30935v1
- Date: Mon, 29 Jun 2026 21:38:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.006305
- Title: ShardNet: Training Neural Controllers with Hard, Non-Convex Constraints
- Title（参考訳）: ShardNet: ハードで非凸な制約でニューラルネットワークをトレーニングする
- Abstract要約: 構築による制約の和合を強制するニューラルネットワークアーキテクチャであるShardNetを紹介する。
我々は,ShardNetポリシーが検証された集合に対して100%の安全性を維持し,既存の形式的手法に比べて客観的損失が著しく低いことを示す。
- 参考スコア（独自算出の注目度）: 2.1198879079315573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While neural network control policies are powerful, their deployment on safety critical systems depends on ensuring that they obey strict constraints. Existing work often treats safety as a metric to optimize for, which competes with other performance objectives, if training converges at all. Instead, we introduce ShardNet, a neural network architecture that strictly enforces unions of polyhedral constraints by construction, using a differentiable projection layer parameterized by a classification network. The key insight is to embed safety into the neural network's structure, allowing performance to be optimized independently because formal safety guarantees are always given. In contrast with existing neural architectures that can only enforce simple convex constraints, ShardNet enables the first safe-by-construction synthesis of forward-invariant neural network controllers on closed-loop systems where safety constraints are expressed as nonconvex unions of polyhedras or learned value function level sets. To support this, we also introduce a technique to verify and train such value functions correctly as rectified linear unit (ReLU) networks, which has not previously been possible. On double integrator benchmarks drawn from the literature, ShardNet policies maintain 100% safety on verified sets and achieves significantly lower objective loss compared to existing formal methods. Furthermore, our value function training technique also produces safe sets more than 3 times larger than existing verification approaches.
- Abstract（参考訳）: ニューラルネットワーク制御ポリシは強力だが、安全クリティカルシステムへのデプロイメントは、厳格な制約に従うことを保証することに依存する。
既存の作業は安全性を最適化する指標として扱うことが多く、トレーニングが収束しても他のパフォーマンス目標と競合する。
代わりに、分類ネットワークによってパラメータ化される微分可能な投影層を用いて、構成によって多面体制約の結合を厳格に強制するニューラルネットワークアーキテクチャであるShardNetを導入する。
重要な洞察は、ニューラルネットワークの構造に安全性を埋め込むことで、フォーマルな安全性保証が常に与えられるため、パフォーマンスを独立して最適化することができる。
単純な凸制約のみを強制できる既存のニューラルネットワークアーキテクチャとは対照的に、ShardNetは、安全制約がポリヘドラや学習値関数レベルセットの非凸結合として表現されるクローズドループシステム上で、フォワード不変ニューラルネットワークコントローラの安全な構成合成を可能にする。
これをサポートするために,従来不可能であった正則線形ユニット(ReLU)ネットワークとして,そのような値関数を正しく検証し,訓練する手法も導入した。
文献から得られたダブルインテグレータのベンチマークでは、ShardNetポリシーは検証済みセットの安全性を100%維持し、既存の形式的手法に比べて客観的な損失を著しく低減する。
さらに,提案手法は,既存の検証手法の3倍以上の安全セットを生成する。
関連論文リスト
- PoSafeNet: Safe Learning with Poset-Structured Neural Nets [49.854863600271614]
既存のアプローチは、しばしば複数の安全制約を均一に、または固定された優先命令によって強制し、実現不可能と不安定な振る舞いを引き起こす。
我々は、この設定を擬似構造的安全性として定式化し、安全制約を部分的に順序づけられた集合としてモデル化し、安全構成を政策クラスの構造的特性として扱う。
この定式化に基づいて、逐次クローズドフォームプロジェクションを介して安全性を強制する、識別可能な神経安全層であるPoSafeNetを提案する。
論文 参考訳（メタデータ） (2026-01-29T22:03:32Z) - Provably-Safe Neural Network Training Using Hybrid Zonotope Reachability Analysis [2.1198879079315573]
安全クリティカルな制御アプリケーションにおいて、ニューラルネットワークの制約を強制することは困難である。
本稿では,線形整列線形ユニット(ReLU)非線形性を持つニューラルネットワークに対して,非ハイブリッド入力セットの正確な画像化を促進する手法を提案する。
論文 参考訳（メタデータ） (2025-01-22T17:13:48Z) - HardNet: Hard-Constrained Neural Networks with Universal Approximation Guarantees [4.814150850377003]
HardNetは、本質的に厳しい制約を満たすニューラルネットワークを構築するためのフレームワークである。
HardNetはニューラルネットワークの普遍近似能力を維持していることを示す。
論文 参考訳（メタデータ） (2024-10-14T17:59:24Z) - Probabilistic Reach-Avoid for Bayesian Neural Networks [71.67052234622781]
最適合成アルゴリズムは、証明された状態の数を4倍以上に増やすことができることを示す。
このアルゴリズムは、平均的な到達回避確率を3倍以上に向上させることができる。
論文 参考訳（メタデータ） (2023-10-03T10:52:21Z) - Robust Training and Verification of Implicit Neural Networks: A
Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。
組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。
MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文 参考訳（メタデータ） (2022-08-08T03:13:24Z) - BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。
本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
論文 参考訳（メタデータ） (2021-11-22T15:38:11Z) - OVERT: An Algorithm for Safety Verification of Neural Network Control
Policies for Nonlinear Systems [31.3812947670948]
本稿では,ニューラルネットワーク制御ポリシーの安全性検証のための音響アルゴリズムOVERTを提案する。
OVERT の中心的な概念は、最適にきつく片方向の線形境界を持つ非線形関数を抽象化することである。
オーバートは、到達可能な集合の時間的および厳密性の両方において、既存の方法と好意的に比較する。
論文 参考訳（メタデータ） (2021-08-03T00:41:27Z) - Self-Repairing Neural Networks: Provable Safety for Deep Networks via
Dynamic Repair [16.208330991060976]
本稿では,非リレーショナル安全性制約の違反を動的に修復するニューラルネットワーク分類器を構築する方法を提案する。
我々のアプローチは、確実に安全な出力が得られる新しい自己修復層に基づいている。
提案手法は,GPU上で効率的に実行されるベクトル化計算を用いて実装可能であることを示す。
論文 参考訳（メタデータ） (2021-07-23T20:08:52Z) - Constrained Feedforward Neural Network Training via Reachability
Analysis [0.0]
安全上の制約に従うためにニューラルネットワークをトレーニングすることは、依然としてオープンな課題である。
本研究は, 整列線形単位(ReLU)非線形性を持つフィードフォワードニューラルネットワークを同時に訓練し, 検証する制約付き手法を提案する。
論文 参考訳（メタデータ） (2021-07-16T04:03:01Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳（メタデータ） (2021-06-03T16:45:40Z) - Enforcing robust control guarantees within neural network policies [76.00287474159973]
本稿では、ニューラルネットワークによってパラメータ化され、ロバスト制御と同じ証明可能なロバスト性基準を適用した、一般的な非線形制御ポリシークラスを提案する。
提案手法は,複数の領域において有効であり,既存のロバスト制御法よりも平均ケース性能が向上し,(非ロバスト)深部RL法よりも最悪のケース安定性が向上した。
論文 参考訳（メタデータ） (2020-11-16T17:14:59Z)
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。