Dec, 2023

统一框架 RYU：构建安全球的终极方案

PDF
TL;DR该论文提出了一种名为 “RYU” 的新框架，用于构建安全的球体，即确保包含目标优化问题的对偶解的区域。该框架在标准设置下集中于成本函数为两项之和的情况，这两项分别为闭合的、适当的、凸的利普希茨平滑函数和闭合的、适当的、凸的函数。RYU 框架在考虑的优化问题家族上综合或改进了过去十年提出的所有结果。
ryu frameworksafe ballsoptimization problemscost functionconvex functions
发现论文，激发创造
  • 结构凸优化问题误差界的统一方法

    本文针对结构化凸优化问题，建立一个新的错误边界框架，并对常见的错误边界结果进行统一和透明的证明，此外，将其应用于核范数正则化损失最小化问题，并在严格补充型条件下建立了新的错误边界。

    Dec, 2015

  • 使用强健神经李亚普诺夫障函数的安全非线性控制

    本文提出一种基于模型学习的方法，根据鲁棒凸优化和 Lyapunov 理论定义了鲁棒控制 Lyapunov 阻碍函数，以实现具有安全性和稳定性保证的控制器，并在诸如汽车轨迹跟踪、带障碍物避障的非线性控制、带安全性约束的卫星交会和具有学习地效果模型的飞行控制等问题上展示了其模拟结果，表明我们的方法降低了计算成本，并且得到的控制器的能力与稳健 MPC 技术相匹配或优于其能力。

    Sep, 2021

  • 基于 Wasserstein 距离的数据驱动分布鲁棒优化：性能保证和可行重构

    研究使用 Wasserstein metric 中有限训练数据集，构建球形分布空间来解决分布鲁棒优化问题，并阐述其在投资组合优化和不确定性量化等领域的实用性和性能保证。

    May, 2015

  • 关于安全的安全贝叶斯优化

    研究提出了一种基于安全保证的 SafeOpt 算法的改进，通过使用最新的高斯过程界限来保留所有的理论保证，并且引入了 Lipschitz-only Safe Bayesian Optimization 算法，它在没有 RKHS 边界假设的情况下保证了安全性，并且在多种函数类上表现出优于现有算法的性能，同时还提出了 Lipschitz-only GP-UCB 来扩展算法在高维问题上的适用性。

    Mar, 2024

  • 模型不确定性下分布安全强化学习：一种基于可微凸规划的单层方法

    通过使用可微的凸规划，本文提出了一种可追踪的分布安全强化学习框架，旨在解决安全关键环境中由于分布变动而产生的不确定性问题，在保证安全约束的同时有效地找到最坏情况下的不确定性，并通过测试验证了该方法在安全保证方面的显著改进。

    Oct, 2023

  • 一种基于李亚普诺夫函数的安全强化学习方法

    提出了一种基于 Lyapunov 方法的安全强化学习算法，该算法可在保证行为策略安全的前提下，有效地平衡约束满足和性能优化。

    May, 2018

  • 一种通用的原始 - 对偶凸优化框架

    提出一种新的原始对偶算法框架，以解决约束的凸优化问题，具有优秀的收敛速度和更高效的计算方式。

    Feb, 2015

  • 面向不确定性的安全在线出价优化：考虑回报率和预算限制

    本文研究了组合赌博算法在广告投放中的应用，着重探讨了在不确定预算与回报投资限制的情况下进行广告出价的优化问题，提供了优化解决方案并通过实验比较了算法在现实世界数据生成的情况下的表现。

    Jan, 2022

  • 非凸风险约束学习中的强对偶关系

    我们建立了对于功能性的两步组合风险受限学习问题的强对偶关系，涵盖多个非凸损失函数和 / 或学习约束的情况，不受非凸性和最小技术假设的限制。我们的结果特别意味着在所研究的问题类中存在零对偶间隙，扩展和改进了（风险中性）受限学习的最新进展。

    Dec, 2023

  • 面向分布式鲁棒安全强化学习的风险规避模型不确定性

    我们提出了一个采用深度强化学习的框架，通过相干畸变风险度量考虑模型不确定性的风险规避观点，并表明我们的公式等价于具有性能和安全保障的分布鲁棒安全强化学习问题，并展示了我们框架在 Real-World 强化学习套件中各种具有安全约束的连续控制任务上产生了稳健安全的表现。

    Jan, 2023