多模态场景下的保形预测监控
人工智能
2025-09-03 v1
摘要
我们考虑随机系统的定量预测监控（QPM）问题，即在运行时根据系统当前状态预测期望时序逻辑性质的满足程度。由于计算效率对于及时干预预测违规至关重要，几种最先进的 QPM 方法依赖快速的机器学习代理来提供满足值的预测区间，并使用保形推断提供统计保证。然而，当被监控的智能体表现出多模态动态时，这些 QPM 方法效果不佳，其中某些模式可能产生高满足值，而另一些模式则严重违反该性质。现有 QPM 方法与模式无关，因此会产生过于保守且缺乏信息的区间，无法提供有意义的特定模式满足信息。为了解决这个问题，我们提出了 GenQPM，该方法利用深度生成模型，特别是基于分数的扩散模型，可靠地近似概率和多模态系统动态，而无需显式的模型访问。GenQPM 采用模式分类器按动态模式划分预测轨迹。对于每种模式，我们随后应用保形推断以产生统计有效的、特定模式的预测区间。我们在智能体导航和自动驾驶任务的基准上证明了 GenQPM 的有效性，与模式无关的基线相比，产生的预测区间信息量显著更大（保守性更低）。
引用
@article{arxiv.2509.01338,
title = {Conformal Predictive Monitoring for Multi-Modal Scenarios},
author = {Francesca Cairoli and Luca Bortolussi and Jyotirmoy V. Deshmukh and Lars Lindemann and Nicola Paoletti},
journal= {arXiv preprint arXiv:2509.01338},
year = {2025}
}