確率的ニューラルネットワーク動的モデルのための形式的制御合成【JST・京大機械翻訳】

Adams Steven; Lahijanian Morteza; Laurenti Luca

プレプリント

J-GLOBAL ID：202202215948576237 整理番号：22P0302553

確率的ニューラルネットワーク動的モデルのための形式的制御合成【JST・京大機械翻訳】

Formal Control Synthesis for Stochastic Neural Network Dynamic Models

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月11日プレプリントサーバーでの情報更新日： 2022年03月21日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ニューラルネットワーク(NN)は,複雑な物理またはブラックボックス成分を有する制御システムの動力学を表現するための強力なツールとして浮上している。しかしながら,NNの複雑性のため,既存の方法はNN動的モデル(NNDM)の保証で複雑な挙動を合成することができない。本研究では,性能保証を有する確率的NNDMのための制御合成フレームワークを導入した。焦点は有限トレース(LTLf)で解釈された線形時間論理で表現された仕様であり,アプローチは有限抽象化に基づいている。具体的には,NNDMを区間Markov決定プロセス(IMDP)に形式的に抽象化するために,NNの凸緩和のための最近の技術を利用した。次に,与えられた仕様を満たす確率を最大化する戦略をIMDP上で合成し,基礎となるNNDMに写像した。IMDPへのNNDMの抽象化プロセスは,凸最適化問題の集合に縮小し,従って,効率を保証することを示した。また,フレームワークをスケーラブルにする適応精密化手順を提示した。いくつかの事例研究において,このフレームワークは,5隠れ層までのアーキテクチャと1層あたり数百のニューロンを持つNNDMに対する正当性の自明でない保証を提供できることを示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

システム設計・解析 , 人工知能 , 統計学

前のページに戻る