信息物理系统中物理概念的学习：一个案例研究
机器学习
2021-12-20 v2 人工智能
系统与控制
系统与控制
摘要
机器学习（ML）在近几十年来取得了巨大的成功，无论是在研究还是实践中。在信息物理系统（CPS）中，ML 可用于优化系统、检测异常或识别系统故障的根本原因。然而，现有算法存在两个主要缺陷：（i）它们难以被人类专家解释。（ii）将结果从一个系统迁移到另一个（相似的）系统通常是一项挑战。概念学习或表示学习（RepL）是解决这两个缺陷的方案；它模仿人类在可解释性和可迁移性上的解决思路：通过学习诸如物理量或系统状态等通用概念，模型变得可由人类解释。此外，这种抽象层次上的概念通常可应用于广泛的不同系统。现代 ML 方法已在 CPS 中广泛使用，但概念学习和迁移学习迄今几乎未被采用。在本文中，我们概述了关于在时间序列数据中学习物理概念的方法的研究现状，而时间序列数据是 CPS 传感器数据的主要形式。我们还以三容系统为例分析了当前最先进的一些最重要方法。基于这些具体实现，我们讨论了这些方法的优缺点，并展示了它们在何种目的和条件下可以使用。
引用
@article{arxiv.2111.14151,
title = {Learning Physical Concepts in Cyber-Physical Systems: A Case Study},
author = {Henrik S. Steude and Alexander Windmann and Oliver Niggemann},
journal= {arXiv preprint arXiv:2111.14151},
year = {2021}
}