核心概念
未知の確率的システムに対して、データから学習したモデルを用いて、安全性を確保しつつ最大限の制御可能な領域を特定する。
要約
本論文は、未知の確率的システムに対して、データから学習したモデルを用いて、安全性を確保しつつ最大限の制御可能な領域を特定する手法を提案している。
まず、ガウシアンプロセス回帰を用いてシステムの動特性を学習し、その学習誤差を確率的に評価する。次に、ピースワイズ確率的バリア関数を用いて、学習したモデルに基づいて最大の制御可能な領域を特定するアルゴリズムを開発する。この手法により、真のシステムに対して確率的な安全性が保証される制御可能な領域を特定できる。
線形および非線形システムに対する事例研究により、データセットの拡大に伴って制御可能な領域が拡大することが示されている。この手法は、学習を活用したシステムにおいて、安全性を確保しつつ複雑な挙動を実現するのに有効である。
統計
学習誤差の確率的上界は、ハイパーパラメータの設定によって真のシステムよりも小さくなる可能性がある。
500個のデータから学習したモデルでは、制御可能な領域が全体の88.8%であったのに対し、2000個のデータから学習したモデルでは91.2%まで拡大した。
引用
"学習を活用したシステムにおいて、安全性を確保しつつ複雑な挙動を実現するのに有効である。"
"データセットの拡大に伴って制御可能な領域が拡大することが示されている。"