論文の概要: Safe-by-Design Learning via Energy-based Neural Networks

• arxiv url: http://arxiv.org/abs/2609.36942v2
• Date: Wed, 30 Sep 2026 08:26:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.208209
• Title: Safe-by-Design Learning via Energy-based Neural Networks
• Title（参考訳）: エネルギーベースニューラルネットワークによる安全設計学習
• Abstract要約: エネルギーをベースとした近代ホップフィールドネットワークを基盤としたニューラルアーキテクチャを導入し,安全性と設計の安全性を保証した。 我々のフレームワークは、認定された不変集合を生成しながら、最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 12.593409620017853
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Learning neural-network models of dynamical systems with safety guarantees is a fundamental requirement for their deployment in safety-critical settings. Safety is commonly established by proving the invariance of a desired subset in state-space, ensuring that every trajectory initialized in this subset remains confined to it for all time under admissible inputs. Existing frameworks, however, either rely on computationally expensive post-hoc verification or employ safety-enforcing mechanisms without formal correctness guarantees. In this paper, we introduce a novel neural architecture grounded in energy-based modern Hopfield networks to guarantee safety-by-design while retaining sufficient expressiveness to model complex nonlinear dynamics. Specifically, we integrate modern Hopfield networks with a port-Hamiltonian neural ODE, enabling by design the construction of barrier functions yielding explicit admissible-input sets and quantitative robustness radii. Across several benchmarks, including an 12-dimensional nanodrone model, our framework achieves state-of-the-art performance while producing certified invariant sets that are more robust to external solicitations than comparable existing approaches.
• Abstract（参考訳）: 安全保証のある動的システムのニューラルネットワークモデルを学ぶことは、安全クリティカルな環境に配置するための基本的な要件である。 安全は、状態空間における所望の部分集合の不変性を証明し、この部分集合で初期化されたすべての軌跡が許容される入力の下で常にそれに限定されることを保証することで、一般に確立される。 しかし、既存のフレームワークは計算コストのかかるポストホック検証に依存するか、正式な正当性を保証することなく安全強化メカニズムを採用するかのいずれかである。 本稿では,エネルギーをベースとした最近のホップフィールドネットワークを基盤としたニューラルアーキテクチャを導入し,複雑な非線形力学をモデル化するのに十分な表現性を保ちながら,安全性・バイ・デザインを保証する。 具体的には、現代のホップフィールドネットワークをポート-ハミルトンニューラルODEと統合し、明示的な許容インプットセットと定量的ロバスト性ラジイを生じるバリア関数の構成を設計する。 12次元のナノドロンのモデルを含むいくつかのベンチマークにおいて、我々のフレームワークは、同等の既存のアプローチよりも外部のソリケーションに対して堅牢な証明された不変集合を生成しながら、最先端の性能を達成する。

関連論文リスト

• ShardNet: Training Neural Controllers with Hard, Non-Convex Constraints [2.1198879079315573]
  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。
  論文  参考訳（メタデータ） (2026-06-29T21:38:44Z)
• QShield: Securing Neural Networks Against Adversarial Attacks using Quantum Circuits [6.335201201807785]
  モジュール型ハイブリッド量子古典ニューラルネットワークアーキテクチャであるQShieldを紹介する。 QShieldは古典的なディープラーニングモデルの対角的堅牢性を高めるように設計されている。
  論文  参考訳（メタデータ） (2026-04-13T03:09:01Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Extended Neural Contractive Dynamical Systems: On Multiple Tasks and Riemannian Safety Regions [33.95670873918523]
  我々は最近、安定性を保証するニューラルネットワークアーキテクチャであるNCDS(Neural Contractive Dynamical Systems)を提案した。 本稿では、より慎重な正規化、複数のタスクを扱うフレームワークの条件変種、遅延障害回避に対する不確実性駆動アプローチによりフレームワークを拡張した。 実験では、開発システムは、自律ロボット工学に必要な安定性を確保しながら、通常のニューラルネットワークの柔軟性があることを検証する。
  論文  参考訳（メタデータ） (2024-11-18T09:27:49Z)
• Data-Driven Lipschitz Continuity: A Cost-Effective Approach to Improve Adversarial Robustness [47.9744734181236]
  我々は、ディープニューラルネットワーク(DNN)の敵攻撃に対する堅牢性を証明するために、リプシッツ連続性の概念を探求する。 本稿では,入力領域を制約範囲に再マップし,リプシッツ定数を低減し,ロバスト性を高める新しいアルゴリズムを提案する。 本手法は,ロバストベンチリーダーボード上のCIFAR10,CIFAR100,ImageNetデータセットに対して,最も堅牢な精度を実現する。
  論文  参考訳（メタデータ） (2024-06-28T03:10:36Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Provably Correct Training of Neural Network Controllers Using Reachability Analysis [3.04585143845864]
  我々は、安全と生活性を満たすことが保証されるサイバー物理システムのためのニューラルネットワーク(NN)コントローラのトレーニングの問題を考える。 我々のアプローチは、動的システムのためのモデルベース設計手法とデータ駆動アプローチを組み合わせることで、この目標を達成することである。
  論文  参考訳（メタデータ） (2021-02-22T07:08:11Z)

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。