面向混合系统的神经状态分类
机器学习
2019-08-08 v1 机器学习
摘要
我们针对混合系统引入了状态分类问题（SCP），并提出神经状态分类（NSC）作为一种高效的求解技术。SCP 推广了模型检测问题，因为它需要根据混合自动机的每个状态 是否满足给定的时间有界可达性规范，将 分类为正或负。这本身是一个有趣的问题，NSC 使用机器学习技术（特别是深度神经网络）来解决它。NSC 产生的状态分类器往往非常高效（在常数时间和空间内运行），但可能存在分类错误。为了量化并缓解此类错误，我们的方法包括：i）以统计保证认证 NSC 分类器达到给定精度水平的技术；ii）调优技术，包括一种基于对抗采样的新型技术，可基本消除假阴性（被分类为负的阳性状态），从而使分类器更为保守。我们将 NSC 应用于六个非线性混合系统基准，取得了 99.25% 至 99.98% 的精度，以及 0.0033 至 0 的假阴性率，经分类器调优后进一步降低至 0.0015 至 0。我们认为该精度水平在许多实际应用中是可接受的，并且这些结果展示了 NSC 方法的潜力。
引用
@article{arxiv.1807.09901,
title = {Neural State Classification for Hybrid Systems},
author = {Dung Phan and Nicola Paoletti and Timothy Zhang and Radu Grosu and Scott A. Smolka and Scott D. Stoller},
journal= {arXiv preprint arXiv:1807.09901},
year = {2019}
}
备注
ATVA2018 extended version