Sep, 2023

基于数据驱动的带有符合推理的随机动态系统可达性分析

PDF
TL;DR使用符合推断进行基于数据驱动的离散时间随机动态系统的可达性分析，将数据集转化为代理预测模型，通过符合推断量化预测模型的误差，从而提供概率可达性保证。该方法适用于复杂闭环动态难以使用符号模型建模的学习增强控制系统。
data-driven reachability analysisdiscrete-time stochastic dynamical systemsconformal inferenceprobabilistic flowpipelearning-enabled control systems
发现论文，激发创造
  • 基于数据驱动的可达性使用 Christoffel 函数和共形预测

    通过利用基于数据的方法中的克里斯托费尔函数进行接近集的近似计算，我们改进了现有结果，提高了样本效率，并通过利用训练和校准集的统计保证，放宽了一些假设。此外，我们采用了增量计算克里斯托费尔函数的方法，避免使用校准集，同时保持统计收敛保证，并且我们的方法对训练集和校准集中的异常值具有鲁棒性。

    Sep, 2023

  • 神经可达管的验证：基于场景优化和合规预测

    通过鲁棒方案优化和符合性预测，为神经可达管提供概率性安全保证；采用异常值调整的验证方法从神经可达管的误差分布中恢复更大的安全空间，有效解决多车碰撞避免和火箭降落等高维问题。

    Dec, 2023

  • 基于几何约束的稀疏观测随机动态推断优化

    本文介绍了一种基于路径增强和数据驱动控制的方法，可以高效地确定低采样率下系统的确定性力量，以克服现有方法中对观测时间结构或不变密度几何逼近的局限性。

    Apr, 2023

  • 分布偏移下的自适应符合推断

    本文提出了一种自适应的线上学习方法 - 自适应符合推断方法，该方法结合了预测集和符合推断的思想，能够在任何黑箱模型中实现长时间内预期的覆盖概率，从而解决了数据变化扰动的问题。

    Jun, 2021

  • 基于共形预测的随机传感器不确定性下安全感知控制

    使用感知映射通过学习获取状态估计的感知控制，通过量化感知映射的估计不确定性并将这些不确定性表示整合到控制设计中，采用符合预测来计算有效的状态估计区域，从而设计采用自我触发控制思想的取样数据控制器，以避免使用随机微积分并在具有李达（LiDAR）能力的 F1 / 10th 汽车中演示了控制器的有效性。

    Apr, 2023

  • 基于模型的验证作为概率推理

    使用基于贝叶斯推断的模型方法来估计序列系统的失效轨迹，使用自动微分计算轨迹梯度并使用 Hamiltonian Monte Carlo 采样方法进行多模式捕捉和平滑处理，该方法在自主驾驶车辆、倒置摆控制系统和部分可观察月球着陆器实现，结果显示在样本效率和参数空间覆盖率方面比黑盒子基线方法有所改进，此方法已开放源代码。

    May, 2023

  • 强化学习在随机有向图中的可达性分析

    使用强化学习方法，我们通过特征化随机定向图中的可达性概率，展示了随机定向图中的转移概率动态可以被建模成一个差分包含，进而被理解为一个 Markov 决策过程。通过这个框架，我们提出了一种确定奖励功能的方法，以提供随机定向图中一组节点的可达性概率上下限。该方法的有效性通过应用于由移动代理的接近模式生成的时间变化的接触网络的流行病疾病扩散得到证明。

    Feb, 2022

  • 目标管的随机可达性：理论和计算

    本文利用概率规定的安全性和性能提出了一种针对随机扰动下的约束动态系统的一种优化算法，在考虑时间变化状态约束的情况下，最大化状态始终保持在限定区域内的概率，我们提供充分的条件使随机可达集是闭合、紧凑和凸形的，并提供一种随机传递集估计技术。

    Oct, 2018

  • 具有相关数据的预测机器学习的精确和鲁棒的适应性推断方法

    本文提出了基于随机化的方法来拓展符合推理的应用，使其能适用于时间序列数据，并通过引入分块结构来考虑潜在的串行相关性。当数据是独立同分布或更普遍地可交换时，该方法与传统的符合推理方法具有相同的无需模型的有效性；当数据不可交换时，如常见的时间序列数据，该方法在对符合程度得分的弱假设下也具有近似的有效性。

    Feb, 2018

  • 对于任何数据分布，存在一致有效性保证

    机器学习系统中风险量化与控制的研究，集中在处理 ML 系统收集自身数据时产生的数据分布变化问题，通过扩展 conformal prediction 理论以适应任意数据分布，并提出了针对特定数据分布的可行算法，以解决这一挑战。

    May, 2024