面向系统与控制的 Pick-to-Learn：数据驱动合成与最新安全保证

数据驱动方法在现代系统与控制问题中日益重要，尤其是那些复杂度日益增加的领域。在安全关键环境中部署这些方法需要严格的保证，这激发了统计学习与控制界面近期大量研究工作。然而，许多现有方法以牺牲宝贵的测试与校准数据为代价，或限制学习算法的选择，从而导致次优性能。在本文中，我们描述了面向系统与控制的 Pick-to-Learn (P2L)，一种框架，使任何数据驱动控制方法都能获得最新的安全与性能保证。P2L 能够利用所有可用数据联合合成与认证设计，无需为校准或验证purpose而保留数据。在 presenting a comprehensive version of P2L for systems and control, 本文展示了其在一系列核心问题上的有效性，包括最优控制、可达性分析、安全合成以及鲁棒控制。在许多应用中，P2L 提供的设计与证书在常用方法之外，显示出在多样实际场景中具有广泛适用性的强大潜力。