論文の概要: $S^3$: A Smooth Simulation Surrogate for Optimizing Discrete Abstractions of Dynamical Systems
- arxiv url: http://arxiv.org/abs/2608.15920v1
- Date: Sun, 16 Aug 2026 20:31:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.469452
- Title: $S^3$: A Smooth Simulation Surrogate for Optimizing Discrete Abstractions of Dynamical Systems
- Title（参考訳）: S^3$: 動的システムの離散的抽象化を最適化するための平滑なシミュレーションサロゲート
- Abstract要約: バイシミュレート理論は、関係を特徴づけるための原則化されたメトリクスを提供するが、最小限の保守主義で音の抽象化を構築する方法を規定していない。
このギャップをスムーズなシミュレーションサロゲート(S3$)で埋めます。これは、保守主義を定量化するのに使用される逆シミュレーション計量を近似する微分可能な目的です。
以上の結果から,S3$は逆シミュレーション法と強く相関し,計算速度が向上し,抽象保守主義の低減に有効であることが示された。
- 参考スコア（独自算出の注目度）: 0.058633603884542605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intelligent systems are increasingly deployed in safety-critical settings with black-box controllers, including neural networks. The properties and behaviors of these end-to-end systems can be studied with abstraction-based methods that replace them with simpler finite models. Constructing such abstractions requires balancing the soundness of over-approximating the dynamical system against conservatism, which manifests as spurious or excessive nondeterministic behaviors. Bi-simulation theory provides principled metrics for characterizing these relationships, but does not prescribe how to construct sound abstractions with minimal conservatism. We fill this gap with a smooth simulation surrogate ($S^3$) --- a differentiable objective that approximates the reverse simulation metric used to quantify conservatism. Combined with Taylor model-based reachability, $S^3$ enables gradient-based optimization of abstraction parameters while preserving soundness by construction. We evaluate this optimization pipeline on three case studies. Our results show that $S^3$ is strongly correlated with the reverse simulation metric, is computationally faster, and serves as an effective objective for reducing abstraction conservatism.
- Abstract（参考訳）: インテリジェントシステムは、ニューラルネットワークを含むブラックボックスコントローラを使用して、安全クリティカルな設定にますますデプロイされている。
これらのエンドツーエンドシステムの特性と振舞いは、より単純な有限モデルに置き換わる抽象的手法で研究することができる。
このような抽象化を構築するには、力学系を保守主義と過度に近似する健全さのバランスが必要であり、これは刺激的あるいは過度の非決定論的行動として表される。
バイシミュレート理論は、これらの関係を特徴づけるための原則化されたメトリクスを提供するが、最小限の保守主義で音の抽象化を構築する方法を規定していない。
このギャップをスムーズなシュミレーションサロゲート(S^3$)で埋めます。これは、保守主義を定量化するために使われる逆シミュレーション計量を近似する微分可能な目的です。
テイラーモデルに基づくリーチビリティと組み合わせて、$S^3$は、構成による音質を維持しながら、勾配に基づく抽象パラメータの最適化を可能にする。
この最適化パイプラインを3つのケーススタディで評価する。
以上の結果から,S^3$は逆シミュレーション法と強く相関し,計算速度が向上し,抽象保守主義の低減に有効であることが示された。
関連論文リスト
- Metaplasticity as adaptive gradient preconditioning for incremental learning [0.9379969114114787]
SynGAPは適応的勾配事前条件に基づくタスクフリー連続学習フレームワークである。
実証的な評価は、SynGAPが確立された基準線に比べて破滅的な忘れを緩和する優れた能力を示している。
論文 参考訳（メタデータ） (2026-07-27T21:45:37Z) - Computational regimes in matrix-product-state-based quantum trajectory simulations [4.187966512170651]
本稿では, トラジェクトリ毎のメモリ, トラジェクトリ毎のランタイム, サンプリング作業に総コストを分割する, 量子トラジェクトリシミュレーションのためのコスト解決フレームワークを提案する。
同じリンドブラッド力学の物理的に等価な解法は、必ずしも総コストを減少させるのではなく、軌跡複雑性と統計的収束の間のコストを再分配することを示した。
論文 参考訳（メタデータ） (2026-06-11T18:00:02Z) - Safety-Critical Contextual Control via Online Riemannian Optimization with World Models [7.720387326648637]
そこでは,ブラックボックスシミュレータによる実行可能性サンプルのみを用いて,プランナがタスク目標を最適化する必要がある。
我々は,オンラインリーマン最適化に基づくPinalized Predictive Controlフレームワークを開発した。
我々の主な結果は、真実現可能多様体からの距離がスコア推定誤差と$(_t)$に依存する比率によって制御されていることを示す文脈的安全性境界であり、どちらもよりリッチな文脈で改善されている。
論文 参考訳（メタデータ） (2026-04-21T16:28:36Z) - Riemannian Optimization in Modular Systems [0.006486143522483092]
バックプロパゲーションアルゴリズムは、ニューラルネットワークの成功に有効である。
実証的な成功にもかかわらず、それに対する強い理論的理解は欠如している。
我々は、収束特性を定量化できる構成可能なリーマン加群の枠組みを開発する。
論文 参考訳（メタデータ） (2026-03-04T00:47:29Z) - Pseudo-Simulation for Autonomous Driving [66.1981253104508]
既存の自動運転車(AV)の評価パラダイムは、重大な制限に直面している。
現実世界の評価は、安全上の懸念と現実主義の欠如のためにしばしば困難である。
オープンループ評価は、一般的に複合的なエラーを見落としているメトリクスに依存する。
論文 参考訳（メタデータ） (2025-06-04T17:57:53Z) - The Sample Complexity of Online Reinforcement Learning: A Multi-model Perspective [55.15192437680943]
連続状態と行動空間を持つ非線形力学系の一般設定におけるオンライン強化学習のサンプル複雑性について検討した。
我々のアルゴリズムは、$mathcalO(N epsilon2 + Mathrmln(m(epsilon)/epsilon2)$のポリシーを後悔する。
力学がコンパクトで実数値のパラメータ集合によってパラメータ化される特別な場合、$mathcalO(sqrt)のポリシー後悔を証明する。
論文 参考訳（メタデータ） (2025-01-27T10:01:28Z) - Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳（メタデータ） (2021-09-07T20:01:22Z) - Robust Value Iteration for Continuous Control Tasks [99.00362538261972]
シミュレーションから物理システムへ制御ポリシを転送する場合、そのポリシは、動作の変動に対して堅牢でなければならない。
本稿では、動的プログラミングを用いて、コンパクトな状態領域上での最適値関数を計算するRobust Fitted Value Iterationを提案する。
より深い強化学習アルゴリズムや非ロバストなアルゴリズムと比較して、ロバストな値の方が頑健であることを示す。
論文 参考訳（メタデータ） (2021-05-25T19:48:35Z) - Low-rank State-action Value-function Approximation [11.026561518386025]
いくつかの高次元状態問題は、本質的な低ランク構造によってよく近似できる。
本稿では,$Q(s, a)$行列の低ランク分解を推定するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-18T10:31:39Z)
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。