Forschungsthema: Aktives Lernen dynamischer Systeme mit Sicherheitsvorgaben
Das eingereichte Paper trägt den Namen “Efficiently Computable Safety Bounds for Gaussian Processes in Active Learning” und beschäftigt sich mit dem aktiven Lernen dynamischer Systeme, bei denen Sicherheitsvorgaben eingehalten werden müssen. In technischen Anwendungen erkundet man den Versuchsraum oft durch kontinuierliche Trajektorien, entlang derer die Sicherheit bewertet werden muss. Dabei kommen Gauß-Prozesse (GP) zur Unsicherheitsschätzung zum Einsatz. Insbesondere bei strengen Sicherheitsanforderungen erfordern GP-Methoden rechenintensive Monte-Carlo-Sampling-Verfahren.
Die vorgestellte Methode: Beweisbare Sicherheitsgrenzen durch adaptiv abgetasteten Median des posterioren GP
Im Paper wird eine Methode präsentiert, die beweisbare Abschätzungen der Sicherheit auf Basis des adaptiv simulierten Medians des a-posteriori GP bietet. Diese Methode reduziert die Anzahl der erforderlichen simulierten Stichproben erheblich, was zu deutlich schnelleren Auswertungen der Sicherheit von potenziellen Trajektorien führt, ohne die Genauigkeit und Explorationsgeschwindigkeit zu beeinträchtigen. Dies verspricht insgesamt eine schnellere Exploration des Versuchsraums und spart somit wertvolle Ressourcen wie Zeit und Personalkosten. Die Wirksamkeit des Ansatzes wird durch Simulationen und Validierung an einem realen Motor demonstriert.
Die Kooperation aller Personen und Institutionen für das gemeinsam veröffentlichte Paper unterstreicht die Innovationskraft der interdisziplinären Zusammenarbeit von Industrie und Forschung.
Über die AISTATS
Die AISTATS ist eine renommierte Veranstaltung mit über 500 akzeptierten Papern und fast 1.000 Teilnehmenden aus der ganzen Welt. AISTATS ist eine interdisziplinäre Vereinigung von Forschenden, die an der Schnittstelle von Informatik, Künstlicher Intelligenz, maschinellem Lernen, Statistik und verwandten Gebieten angesiedelt sind.
Hier können Sie das Paper lesen:https://proceedings.mlr.press/v238/tebbe24a.html