Finite sample learning of moving targets

要約

サンプルから学習しようとする移動ターゲットについて考えます。
私たちの結果は、一定のターゲットの制御と最適化で開発されたランダム化手法を、ターゲットが変化する場合にも拡張します。
ターゲットのおそらくほぼ正しい (PAC) 推定を構築するために必要なサンプル数の新しい限界を導き出します。
さらに、移動ターゲットが凸多面体である場合、混合整数線形計画法 (MILP) を使用して PAC 推定を生成する建設的な方法を提供します。
提案手法を自律緊急ブレーキへの応用で実証する。

要約(オリジナル)

We consider a moving target that we seek to learn from samples. Our results extend randomized techniques developed in control and optimization for a constant target to the case where the target is changing. We derive a novel bound on the number of samples that are required to construct a probably approximately correct (PAC) estimate of the target. Furthermore, when the moving target is a convex polytope, we provide a constructive method of generating the PAC estimate using a mixed integer linear program (MILP). The proposed method is demonstrated on an application to autonomous emergency braking.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google