Input Convex Lipschitz RNN: A Fast and Robust Approach for Engineering Tasks

要約

計算効率と非敵対的な堅牢性は、現実世界のエンジニアリング アプリケーションにおいて重要な要素です。
しかし、従来のニューラル ネットワークでは、両方を同時に処理したり、別々に処理したりするには不十分なことがよくあります。
自然の物理システムと既存の文献から洞察を引き出すと、入力凸型アーキテクチャが計算効率を向上させ、リプシッツ制約付きアーキテクチャが非敵対的堅牢性を強化することが知られています。
凸性とリプシッツ連続性の強みを活用することで、入力凸リプシッツ再帰型ニューラル ネットワークと呼ばれる新しいネットワーク アーキテクチャを開発しました。
このモデルは、高速かつ堅牢な最適化ベースのタスク向けに明示的に設計されており、LHT ホールディングスの太陽光発電システム計画における現実世界の日射量予測など、計算効率と非敵対的堅牢性の点で、エンジニアリング タスクの範囲全体にわたって既存のリカレント ユニットよりも優れたパフォーマンスを発揮します。
シンガポールでの非線形化学反応器のリアルタイムモデル予測制御最適化。

要約(オリジナル)

Computational efficiency and non-adversarial robustness are critical factors in real-world engineering applications. Yet, conventional neural networks often fall short in addressing both simultaneously, or even separately. Drawing insights from natural physical systems and existing literature, it is known that an input convex architecture enhances computational efficiency, while a Lipschitz-constrained architecture bolsters non-adversarial robustness. By leveraging the strengths of convexity and Lipschitz continuity, we develop a novel network architecture, termed Input Convex Lipschitz Recurrent Neural Networks. This model is explicitly designed for fast and robust optimization-based tasks and outperforms existing recurrent units across a spectrum of engineering tasks in terms of computational efficiency and non-adversarial robustness, including real-world solar irradiance prediction for Solar PV system planning at LHT Holdings in Singapore and real-time Model Predictive Control optimization for a nonlinear chemical reactor.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google