分叉不确定性：基于保角风险控制的序列模型可靠预测与模型预测控制
信息论
2023-10-17 v1 人工智能
机器学习
math.IT
摘要
在许多现实问题中，预测被用于监控和控制信息物理系统，要求满足可靠性与安全性需求的保证。然而，预测 inherently 具有不确定性，且在具有复杂动态与分叉轨迹的环境中，管理预测不确定性带来重大挑战。本工作中，我们假设可访问一个预先设计的概率隐式或显式序列模型，其可能通过基于模型或无模型方法获得。我们提出概率时间序列-保角风险预测（PTS-CRC），一种新颖的事后校准过程，作用于任何预先设计的概率预测器所产生的预测，以给出可靠的误差界。与现有方法不同，PTS-CRC 基于从序列模型采样的多个原型轨迹集合生成预测集，支持对分叉不确定性的高效表示。此外，与当前最优方法不同，PTS-CRC 可满足超越覆盖率的可靠性定义。该性质被用于设计一种新颖的模型预测控制（MPC）框架，解决在控制策略质量或安全性的一般平均约束下的开环与闭环控制问题。我们通过无线网络环境下的若干用例实验验证了 PTS-CRC 预测与控制性能。在所有考量任务中，PTS-CRC 预测器均提供了更具信息量的预测集，以及具有更大回报的安全控制策略。
引用
@article{arxiv.2310.10299,
title = {Forking Uncertainties: Reliable Prediction and Model Predictive Control with Sequence Models via Conformal Risk Control},
author = {Matteo Zecchin and Sangwoo Park and Osvaldo Simeone},
journal= {arXiv preprint arXiv:2310.10299},
year = {2023}
}