Future Aware Safe Active Learning of Time Varying Systems using Gaussian Processes

要約

エンジニアリングアプリケーションで一般的な安全上の制約を伴う高コストシステムの実験的調査は、挑戦的な努力です。
データ駆動型モデルは有望なソリューションを提供しますが、必要なデータを取得することは高価なままであり、潜在的に安全ではありません。
安全な積極的な学習技術は不可欠であり、高価なデータポイントと高い安全性を備えた高品質モデルの学習を可能にします。
このペーパーでは、時変システムに合わせて調整された安全なアクティブな学習フレームワークを紹介し、動的な動作によるドリフト、季節の変化、複雑さに対処します。
提案された時間認識統合平均二乗予測誤差（T-IMSPE）メソッドは、現在および将来の状態にわたって後方分散を最小限に抑え、時間領域でも情報収集を最適化します。
経験的結果は、おもちゃや現実世界の例を通じて、モデル品質におけるT-IMSPEの利点を強調しています。
最先端のガウスプロセスは、t-imspeと互換性があります。
私たちの理論的貢献には、ガウスのプロセスカーネル、ドメイン、および重み付け測定がT-IMSPEに適していることがあり、それ以前のことではないIMSPEにさらに適している明確な描写が含まれます。

要約(オリジナル)

Experimental exploration of high-cost systems with safety constraints, common in engineering applications, is a challenging endeavor. Data-driven models offer a promising solution, but acquiring the requisite data remains expensive and is potentially unsafe. Safe active learning techniques prove essential, enabling the learning of high-quality models with minimal expensive data points and high safety. This paper introduces a safe active learning framework tailored for time-varying systems, addressing drift, seasonal changes, and complexities due to dynamic behavior. The proposed Time-aware Integrated Mean Squared Prediction Error (T-IMSPE) method minimizes posterior variance over current and future states, optimizing information gathering also in the time domain. Empirical results highlight T-IMSPE’s advantages in model quality through toy and real-world examples. State of the art Gaussian processes are compatible with T-IMSPE. Our theoretical contributions include a clear delineation which Gaussian process kernels, domains, and weighting measures are suitable for T-IMSPE and even beyond for its non-time aware predecessor IMSPE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google