Efficient Neural Hybrid System Learning and Transition System Abstraction for Dynamical Systems

要約

この論文では、解釈可能で計算効率の高いダイナミクス学習とシステム同定の方法を促進する、ダイナミクス学習用のニューラル ネットワーク ハイブリッド モデリング フレームワークを提案します。
まず、低レベル モデルがシステム ダイナミクスを学習するようにトレーニングされます。このモデルでは、複数の単純なニューラル ネットワークを利用して、データ駆動型パーティションから生成されたローカル ダイナミクスを近似します。
次に、低レベル モデルに基づいて、高レベル モデルがトレーニングされて、低レベル ニューラル ハイブリッド システム モデルを移行システムに抽象化します。これにより、計算ツリー ロジック検証により、人間との対話と検証の効率に関するモデルの能力が促進されます。

要約(オリジナル)

This paper proposes a neural network hybrid modeling framework for dynamics learning to promote an interpretable, computationally efficient way of dynamics learning and system identification. First, a low-level model will be trained to learn the system dynamics, which utilizes multiple simple neural networks to approximate the local dynamics generated from data-driven partitions. Then, based on the low-level model, a high-level model will be trained to abstract the low-level neural hybrid system model into a transition system that allows Computational Tree Logic Verification to promote the model’s ability with human interaction and verification efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google