基于复杂需求的黑箱随机系统的 Dirichlet Logistic 高斯过程评估
系统与控制
2024-09-02 v2 系统与控制
摘要
针对利用机器学习方法的黑箱赛博物理系统 (CPS) 的需求驱动性能评估已被证明是有效的评估 CPS 质量的方法。然而，复杂需求下的性能分布评估仍被严重忽视。尽管提出了许多不确定性估计方法，但未能在数据有限的情况下成功估计高度复杂的性能分布。本文提出一种在小输入轨迹数据下进行复杂需求下性能分布评估的方法。为处理数据有限时的未知复杂概率分布，我们对相应的性能度量进行离散化，得到输入区域上的离散随机过程。随后，我们提出一种基于 Dirichlet 随机场的半参数贝叶斯模型，其参数函数由多个 Logistic 高斯过程 (LGP) 表示。通过 LGP 后验在合理且保守的方式下估计 Dirichlet后验参数函数。我们证明，所提出的贝叶斯模型在数据足够多时收敛于真实的离散随机过程。我们还通过仿真实证明了所提出方法的有效性。
引用
@article{arxiv.2408.02908,
title = {Dirichlet Logistic Gaussian Processes for Evaluation of Black-Box Stochastic Systems under Complex Requirements},
author = {Ryohei Oura and Yuji Ito},
journal= {arXiv preprint arXiv:2408.02908},
year = {2024}
}
备注
7 pages, 5figures. This paper has been accepted the 27th European Conference on Artificial Intelligence