关于神经常微分方程的前向不变性
机器学习
2023-06-01 v2 人工智能
机器人学
系统与控制
系统与控制
摘要
我们提出了一种新方法，利用不变集传播确保神经常微分方程（ODEs）满足输出规范。我们的方法使用一类控制障碍函数，将输出规范转化为对学习系统参数和输入的约束。该设置使我们仅需在训练和推理过程中改变受约束的参数/输入，即可实现输出规范保证。此外，我们证明，通过数据控制的神经 ODE 进行不变集传播，不仅保持了泛化性能，还通过实现对系统参数/输入的因果操控，创造了额外的鲁棒性。我们在一系列表示学习任务上测试了我们的方法，包括物理动力学建模、凸性肖像，以及自动驾驶车辆的安全避撞。
引用
@article{arxiv.2210.04763,
title = {On the Forward Invariance of Neural ODEs},
author = {Wei Xiao and Tsun-Hsuan Wang and Ramin Hasani and Mathias Lechner and Yutong Ban and Chuang Gan and Daniela Rus},
journal= {arXiv preprint arXiv:2210.04763},
year = {2023}
}
备注
25 pages, accepted in ICML2023, website: https://weixy21.github.io/invariance/