关键词probabilistic model checking
搜索结果 - 8
- 多智能体验证与控制的概率模型检验
概率模型检查是一种在不确定性或随机性背景下对软件或硬件系统进行形式化自动推理的技术。该技术综合了来自多个领域的思想和技术,包括逻辑、自动机理论、图论、优化、数值方法和控制。最近,概率模型检查还扩展到整合博弈论中的思想,特别是使用随机博弈模型 - IJCAI分析自主智能体在不确定性下的有意行为
通过量化有意行为的证据来分析自治代理的行为,该方法适用于动态和不确定环境下区分人为意外和故意行为的问题,并且通过对相关情景的自动生成以提高评估的准确性。
- IJCAI可解释多智能体强化学习应用于时间查询
该研究提出了一种基于 PCTL 逻辑公式和概率模型检验的方法,用于为多智能体强化学习系统(MARL)生成策略级对比解释以回答时间用户查询,以帮助用户理解复杂环境中 MARL 代理的新兴行为,并能够解释为何用户查询不可行。实验表明,该方法有效 - 概率形式建模揭示和解释交互方式
本研究使用机器学习及概率模型检验等计算方法,以用户行为追踪数据为基础,无需任务或绝对度量,无监督地推断出移动应用中的交互样式,并通过重新设计和实现来优化其用户体验。
- 概率模型检查和自主性
本文综述了概率模型检测在 PRISM 和 PRISM-games 模型检查器支持下的可观测和不可观测马尔可夫决策过程、顺序和并发随机博弈以及相关概率时态逻辑,以及其在自主系统中的应用,并探讨了未来研究方向和挑战。
- 安全深度强化学习的概率保证
本文提出了 MOSAIC 算法,通过概率模型检查深度强化学习代理在随机环境中的安全性,为控制器的执行构建正式抽象,并产生有限时间范围内安全行为的概率性保证,本研究在多个基准控制问题的代理进行了实施和评估。
- 安全感知式学徒学习
本文提出了一种基于概率模型检查的学徒式学习算法,可确保在仍能保持性能的情况下实现安全性,将未知奖励函数视为状态特征的线性组合,并以概率计算树逻辑为基础的安全属性规范。
- 不确定环境下带概率满足保证的 LTL 控制
本文提出了一种使用线性时态逻辑公式生成机器人控制策略的方法,重点考虑了噪声传感器和执行器带来的影响,将其转换为马尔可夫决策过程来解决,包括案例分析。