基于高斯过程的安全主动学习用于时间序列建模

Feb, 2024

基于高斯过程的安全主动学习用于时间序列建模

Safe Active Learning for Time-Series Modeling with Gaussian Processes

Christoph Zimmer, Mona Meister, Duy Nguyen-Tuong

TL;DR通过使用高斯过程和非线性外部输入结构在考虑给定安全约束条件的情况下，活跃地学习时间序列模型，使用动态探索输入空间生成适用于时间序列模型学习的数据，然后通过逐步确定安全要求和过去观察结果来对输入轨迹进行参数化分析，并在技术应用中进行实证评估，结果显示我们的方法在现实技术用例中的有效性。

Abstract

Learning time-series models is useful for many applications, such as simulation and forecasting. In this study, we consider the problem of actively learning time-series models while taking given →

time-series models actively learning safety constraints gaussian process input trajectory

发现论文，激发创造

全球安全连续学习：高效知识传递

通过转移安全顺序学习，实现在给定的观测下全局探索多个不相交的安全区域，并以与传统安全学习方法相当的计算量下，以更低的数据消耗学习任务。

Feb, 2024

基于高斯过程的时间变化系统的未来感知安全主动学习

本文介绍了一种安全的主动学习框架（T-IMSPE），针对时间变化的系统，解决了漂移、季节变化和动态行为引起的复杂性，提高了模型质量，并通过玩具和真实世界的例子进行了实证研究。

May, 2024

高效计算的高斯过程在主动学习中的安全界限

基于自适应采样的高斯过程后验中极值中位数的可证明安全边界为活动学习提供了有效的安全约束，以便在物理系统中进行设计空间的探索。

Feb, 2024

主动学习高斯过程动力学

本文提出了利用高斯过程回归中自然产生的信息理论特性的主动学习策略，尊重系统动态 imposed 约束下的抽样过程，并在高不确定度区域选择抽样点，以实现探索性行为和数据高效训练。该方法在大量数值基准测试中得到验证。

Nov, 2019

基于学习的模型预测控制用于安全探索

本文提出了一种基于学习的模型预测控制方案，其可以提供可证明的高概率安全保证，并利用正态分布先验的规则性假设来构建可证明准确的置信区间，保证轨迹满足安全约束，通过终端集约束递归地保证每个迭代中存在安全控制动作。在实验中展现了该算法可以用来安全、高效地探索和学习动态系统。

Mar, 2018

一个计算轻量级的安全学习算法

在这篇论文中，我们提出了一种安全学习算法，通过使用 Nadaraya-Watson 估计器而不是高斯过程，提供概率安全保证，并且在数据点数量方面实现对数级别的扩展。我们为估计结果提供了理论保证，将其嵌入到一个安全学习算法中，并在模拟的七自由度机器人操纵器上进行了数值实验。

Sep, 2023

高斯过程状态空间模型中的主动学习

本文研究了高斯过程状态空间模型的主动学习。通过决定其输入，我们可以通过 GPSSM 最优地学习系统的潜在状态，以便选择最具信息量的输入。我们提出了两种逼近潜在状态下 GPSSM 的互信息的方法，并在多个物理系统中进行了评估。

Jul, 2021

高阶不确定模型中的实时自适应安全关键控制与高斯过程

本文提出了一种适应不确定参数系统的自适应在线学习框架，以确保非平稳环境下的安全临界控制；该方法包括两个阶段，第一阶段基于稀疏高斯过程算法改进，第二阶段提出了基于高阶控制屏障函数的安全过滤器与学习模型相结合，并通过实时障碍物避免实验证明了算法的有效性。

Feb, 2024

高斯过程回归对未知动力系统的安全验证

提出了一种使用高斯过程的验证框架来对不确定动态系统进行抽象，并利用已有方法对不确定马尔可夫过程进行安全验证，该方法在多个例子中得到了验证。

Apr, 2020

使用带有标记协方差的高斯过程从顺序数据中进行贝叶斯学习

使用贝叶斯方法和高斯过程，结合符号核、稀疏变分方法等技术对序列数据进行学习，可以使得不同长度的序列可比较且利用奇异分析的强大理论结果；我们还介绍了一种使用引导张量处理未能有利的序列结构方法，将该方法和 LSTMs、GRUs 等结合起来，以建立利用优势的大型模型，并在多元时间序列分类数据集上进行基准测试。

Jun, 2019