基于回归变分自编码器检测学习型信息物理系统中的数据集偏移
机器学习
2021-04-15 v1
摘要
信息物理系统（CPS）广泛采用学习型组件（LEC）以应对高不确定性环境下的各种复杂任务。然而，训练与测试阶段之间的数据集偏移可能导致 LEC 失效并作出大误差预测，进而危及整体系统的安全性。本文中，我们首先给出学习型 CPS 中不同类型数据集偏移的形式化定义。随后，我们提出一种针对回归问题有效检测数据集偏移的方法。该方法基于归纳共形异常检测，并利用一种用于回归的变分自编码器模型，使方法在检测数据集偏移时能同时考虑 LEC 的输入与输出。此外，为提高检测鲁棒性，我们将层间相关性传播（LRP）引入方法中。我们利用一个在开源自动驾驶汽车仿真器中实现的高级紧急制动系统演示了该方法。评估结果表明，我们的方法能以较少误报检测不同类型的数据集偏移，且执行时间小于系统的采样周期。
引用
@article{arxiv.2104.06613,
title = {Detection of Dataset Shifts in Learning-Enabled Cyber-Physical Systems using Variational Autoencoder for Regression},
author = {Feiyang Cai and Ali I. Ozdagli and Xenofon Koutsoukos},
journal= {arXiv preprint arXiv:2104.06613},
year = {2021}
}
备注
Accepted by the 4th IEEE International Conference on Industrial Cyber-Physical Systems (ICPS2021)