基于距离学习的归纳共形预测用于学习型信息物理系统的保障监控
机器学习
2021-10-08 v1
摘要
深度神经网络等机器学习组件在信息物理系统（CPS）中被广泛使用。然而，此类组件可能引入新型危险，这些危险可能带来灾难性后果，需要加以解决以构建可信系统。尽管深度神经网络提供了先进的能力，但它们必须辅以工程方法和实践，以允许在CPS中有效集成。在本文中，我们提出了一种基于共形预测框架的学习型CPS保障监控方法。为了实现实时保障监控，该方法采用距离学习将高维输入转换为较低维度的嵌入表示。通过利用共形预测，该方法提供良好校准的置信度，并在限制无法做出准确预测的输入数量的同时确保有界的小错误率。我们使用移动机器人沿墙行驶、说话人识别和交通标志识别三个数据集演示了该方法。实验结果表明，错误率得到了良好校准，而警报数量非常少。此外，该方法计算高效，并允许对CPS进行实时保障监控。
引用
@article{arxiv.2110.03120,
title = {Assurance Monitoring of Learning Enabled Cyber-Physical Systems Using Inductive Conformal Prediction based on Distance Learning},
author = {Dimitrios Boursinos and Xenofon Koutsoukos},
journal= {arXiv preprint arXiv:2110.03120},
year = {2021}
}
备注
Published in Artificial Intelligence for Engineering Design, Analysis and Manufacturing. arXiv admin note: text overlap with arXiv:2001.05014