論文の概要: Online Active Learning Architecture for Safety-Critical Control Systems

• arxiv url: http://arxiv.org/abs/2611.01907v1
• Date: Sun, 01 Nov 2026 13:49:48 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:05:20.275993
• Title: Online Active Learning Architecture for Safety-Critical Control Systems
• Title（参考訳）: 安全臨界制御システムのためのオンラインアクティブラーニングアーキテクチャ
• Abstract要約: 本稿では,生物知能の連続予測・評価・補正プロセスに触発されたオンラインアクティブラーニング(OAL)のためのアーキテクチャである制御AIを提案する。 このフレームワークは、ディープニューラルネットワークの階層的表現能力と、適応制御のリアルタイムエラーフィードバック適応を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 20.97404276764529
• License:
• Abstract: The transition of information-centric artificial intelligence to safety-critical applications is impeded by the limitations of conventional offline-training paradigms in open-world environments. This paper presents Control AI, an architecture for Online Active Learning (OAL) inspired by the continuous Prediction-Evaluation-Correction process of biological intelligence. The framework combines the hierarchical representation capacity of deep neural networks with the real-time error-feedback adaptation of adaptive control. A prediction model maps sensory input into a latent manifold, an optional latent model represents transitions in that space, and a reconstruction model maps the latent state back to observable signals. Residuals between predictions and measurements provide the internal learning signal. Spatial and temporal cross-reconstruction architectures prevent OAL from collapsing to a trivial identity mapping, while coupled, dual, and localized variants shorten error-transmission paths. Localized predictive coding style OAL is implemented through guidance-backpropagation and target-backpropagation architectures, and hybrid and scaled variants support high-dimensional deployment. The paper focuses on the architectural rationale and the progression from a conceptual feedback loop to practical large-scale configurations.
• Abstract（参考訳）: 情報中心の人工知能から安全クリティカルなアプリケーションへの移行は、オープンワールド環境における従来のオフライントレーニングパラダイムの制限によって妨げられている。 本稿では,生物知能の連続予測・評価・補正プロセスに触発されたオンラインアクティブラーニング(OAL)のためのアーキテクチャである制御AIを提案する。 このフレームワークは、ディープニューラルネットワークの階層的表現能力と、適応制御のリアルタイムエラーフィードバック適応を組み合わせたものである。 予測モデルは知覚入力を潜在多様体にマッピングし、任意の潜在モデルはその空間の遷移を表し、再構成モデルは潜在状態を観測可能な信号にマッピングする。 予測と測定の間の残差は、内部学習信号を提供する。 空間的および時間的相互再構成アーキテクチャは、OALが単純なアイデンティティマッピングに崩壊することを防ぐ一方で、結合、双対、局所化された変種はエラー伝達経路を短縮する。 局所的な予測符号化スタイルのOALは、ガイダンス・バックプロパゲーションとターゲット・バックプロパゲーションアーキテクチャによって実装され、ハイブリッドおよびスケールされた変種は高次元展開をサポートする。 本稿では,概念的フィードバックループから大規模構成への進化とアーキテクチャ的根拠に焦点を当てた。

関連論文リスト

• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• Structured Latent Dynamics in Wireless CSI via Homomorphic World Models [39.38895182380197]
  本稿では,無線チャネルの予測および構造化表現を,コンパクトな潜在空間における状態情報(CSI)の時間的進化をモデル化して学習するための自己教師型フレームワークを提案する。 本手法では,CSIトラジェクトリからの動作条件付き潜伏ダイナミクスの学習にJEPA(Joint Embedding Predictive Architecture)を活用する。
  論文  参考訳（メタデータ） (2026-03-20T15:32:47Z)
• Toward Real-World IoT Security: Concept Drift-Resilient IoT Botnet Detection via Latent Space Representation Learning and Alignment [2.5782420501870296]
  本稿では,適応型IoT脅威検出のためのスケーラブルなフレームワークを提案する。 アライメントモデルは、入力したトラフィックを、分類の前に学習された歴史的潜在空間にマッピングする。 攻撃サンプル間のインスタンス間関係をキャプチャするために、低次元の潜在表現をグラフ構造化形式に変換する。
  論文  参考訳（メタデータ） (2025-12-27T06:13:19Z)
• Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
  インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。 本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:59:48Z)
• In-Context Learning for Gradient-Free Receiver Adaptation: Principles, Applications, and Theory [54.92893355284945]
  ディープラーニングベースの無線受信機は、様々なチャネル環境に動的に適応する能力を提供する。 ジョイントトレーニング、ハイパーネットワークベースの手法、メタラーニングを含む現在の適応戦略は、限られた柔軟性を示すか、勾配降下による明示的な最適化を必要とする。 本稿では、インコンテキスト学習(ICL)の新たなパラダイムに根ざした勾配なし適応手法を提案する。
  論文  参考訳（メタデータ） (2025-06-18T06:43:55Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• An optimised deep spiking neural network architecture without gradients [7.183775638408429]
  本稿では、局所シナプスおよびしきい値適応ルールを用いたエンドツーエンドのトレーニング可能なモジュラーイベント駆動ニューラルアーキテクチャを提案する。 このアーキテクチャは、既存のスパイキングニューラルネットワーク(SNN)アーキテクチャの高度に抽象化されたモデルを表している。
  論文  参考訳（メタデータ） (2021-09-27T05:59:12Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)

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。