信息物理系统的有界时间时序性质主动需求挖掘
系统与控制
2016-03-17 v1
摘要
本文使用主动学习来解决挖掘信息物理系统的有界时间信号时序需求的问题，或简称为需求挖掘问题。通过利用鲁棒度，我们将需求挖掘问题表述为两个优化问题，一个参数综合问题和一个伪证问题。然后我们提出一种称为高斯过程自适应置信界（Gaussian Process Adaptive Confidence Bound, GP-ACB）的新主动学习算法来帮助解决伪证问题。我们从理论上证明 GP-ACB 算法比一些现有主动学习算法（如 GP-UCB）具有更低的后悔界从而更大的收敛速率。最后我们在两个案例研究上说明并应用我们的需求挖掘算法，即 Ackley 函数和真实世界的自动变速器模型。案例研究表明我们的带有 GP-ACB 的挖掘算法优于其他算法，如基于 Nelder-Mead 的算法，平均高出 30% 至 40%。我们的结果证明了存在一种原则性的高效方法来提取复杂信息物理系统的需求。
引用
@article{arxiv.1603.00814,
title = {Active Requirement Mining of Bounded-Time Temporal Properties of Cyber-Physical Systems},
author = {Gang Chen and Zachary Sabato and Zhaodan Kong},
journal= {arXiv preprint arXiv:1603.00814},
year = {2016}
}