論文の概要: Learning Changes the World and Then What Was Learned has Changed: Training and Deploying Neural Networks in the Control Loop

• arxiv url: http://arxiv.org/abs/2610.22084v1
• Date: Thu, 15 Oct 2026 15:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.163958
• Title: Learning Changes the World and Then What Was Learned has Changed: Training and Deploying Neural Networks in the Control Loop
• Title（参考訳）: 世界の変化と学習内容が変化した:制御ループにおけるニューラルネットワークのトレーニングと展開
• Abstract要約: オフラインでトレーニングされたニューラルネットワークは、クローズドループ制御システムにデプロイされる。 本稿では,これらの逐次的障害モードを分類するための統合分類法を提案する。 本稿では、時間スケールの分離したオンライン適応を主眼とした実用的な設計方針を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks offer critical adaptability for controlling complex systems where nominal modeling proves intractable. However, when offline-trained neural networks are deployed within closed-loop control systems, their actions fundamentally alter the state distribution upon which they were trained. This paper introduces a unified taxonomy to categorize these sequential failure modes: the initial Closed-Loop Identification Error, the deployment-induced Action Error, and the continuous Tracking Error. Through discrete-time sensitivity analysis, this work formalizes how offline-learned parameters locally guarantee a trajectory divergence upon deployment, degrading performance due to local loss geometry. To mitigate this distribution shift, we propose actionable design policies centered on time-scale separated online adaptation. These mechanisms are validated through ablation studies on a nonlinear Duffing oscillator, demonstrating that bounded continuous learning successfully mitigates trajectory divergence whereas static deployments fail, offering concrete guidelines for practitioners deploying machine learning components in safety-critical feedback systems.
• Abstract（参考訳）: ニューラルネットワークは、名目モデリングが難易度を示す複雑なシステムを制御するために重要な適応性を提供する。 しかしながら、オフラインでトレーニングされたニューラルネットワークがクローズドループ制御システムにデプロイされると、その動作はトレーニングされた状態分布を根本的に変更する。 本稿では,これらの逐次的障害モードを分類するために,初期閉ループ識別エラー,展開誘導動作エラー,連続追従エラーという統合された分類法を提案する。 離散時間感度解析により、オフライン学習パラメータが配置時の軌道のばらつきを局所的に保証し、局所的な損失幾何学による性能低下を公式化する。 この分散シフトを緩和するために、時間スケールの分離したオンライン適応を主眼とした実用的な設計方針を提案する。 これらのメカニズムは非線形ダッフィング発振器のアブレーション研究を通じて検証され、境界付き連続学習は軌道の分岐を緩和し、静的展開は失敗し、安全クリティカルなフィードバックシステムに機械学習コンポーネントをデプロイする実践者のための具体的なガイドラインを提供する。

関連論文リスト

• Full-Covariance Smoothing of Bayesian Neural Networks for Online Adaptation [14.14658703018541]
  ニューラルネットワークの層は状態空間モデルの時間ステップとして扱うことができる。 フォワードパスはネットワークを介してガウスモーメントを伝搬する。 後向きのRuch--Tung--Striebelパスは、重みの後部を閉じた形で更新する。
  論文  参考訳（メタデータ） (2026-09-23T02:27:14Z)
• Time-Scale Coupling Between States and Parameters in Recurrent Neural Networks [3.924071936547547]
  ゲーテッドニューラルネットワーク(RNN)は、適応的な学習速度の振る舞いを暗黙的に誘発する。 効果は状態空間の時間スケールとパラメータ空間のダイナミクスの結合から生じる。 経験的シミュレーションはこれらの主張を裏付ける。
  論文  参考訳（メタデータ） (2025-08-16T18:19:34Z)
• The Butterfly Effect: Neural Network Training Trajectories Are Highly Sensitive to Initial Conditions [51.68215326304272]
  たとえ小さな摂動であっても、同じ訓練軌跡を確実に引き起こすことで、トレーニング時間とともに急速に減少する効果が発散することを示します。 この結果から,ニューラルネットワークのトレーニング安定性,微調整,モデルマージ,モデルアンサンブルの多様性の実践的意味が示唆された。
  論文  参考訳（メタデータ） (2025-06-16T08:35:16Z)
• 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)
• Non-Stationary Learning of Neural Networks with Automatic Soft Parameter Reset [98.52916361979503]
  非定常性を自動的にモデル化し適応する新しい学習手法を導入する。 非定常的・非政治的強化学習環境において,本手法が有効であることを示す。
  論文  参考訳（メタデータ） (2024-11-06T16:32:40Z)
• Identification For Control Based on Neural Networks: Approximately Linearizable Models [42.15267357325546]
  本研究では,非線形システムの効率的な制御設計と安定性解析のための制御指向同定手法を提案する。 ニューラルネットワークは離散時間非線形状態空間モデルを特定し、時間領域の入力出力挙動を近似する。 ネットワークは、同定されたモデルがフィードバックによってほぼ線形化可能であるように構成され、制御則が学習段階から自明に従うことを保証する。
  論文  参考訳（メタデータ） (2024-09-24T08:31:22Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Recurrent Neural Network Training with Convex Loss and Regularization Functions by Extended Kalman Filtering [0.20305676256390928]
  本研究では,非線形システム同定ベンチマークにおいて,学習手法が勾配勾配よりも優れていることを示す。 また、データ駆動非線形モデル予測制御におけるアルゴリズムの利用と、オフセットフリートラッキングにおける外乱モデルとの関係についても検討する。
  論文  参考訳（メタデータ） (2021-11-04T07:49:15Z)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)
• Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
  グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。 この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
  論文  参考訳（メタデータ） (2020-11-18T18:52:08Z)

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。