The Constitutional Filter

要約

法的ポリシー、物理的制限、操作上の好みが混在してエージェントの動作に影響を与える環境での予測は、本質的に困難です。
ニューロシンボリック システムでは、ディープ ラーニングとシンボリック ビルディング ブロック間の微分可能な情報フローが可能であるため、このような高レベルの制約を表現するための有望な手段となります。
これまでの研究では、高度な航空モビリティタスクなどで、新しい計画セットアップを確立する方法が実証されてきましたが、予測タスクへの応用はまだ開発されていません。
我々は、(i) フィルタの精度を向上させ、(ii) 専門知識を活用し、(iii) 深層学習を組み込むために、エージェントのルール、つまりその構成の神経記号表現を活用する新しいフィルタ アーキテクチャである憲法フィルタ (CoFi) を紹介します。
アーキテクチャ、および (iv) 確率的な空間関係を通じて環境の不確実性を説明します。
CoFi は、一般的な再帰的ベイジアン推定設定に従っており、粒子フィルターなどの膨大な推定手法と互換性があります。
CoFi の利点を裏付けるために、私たちは自動識別システムと公式の電子海図から得た現実世界の海洋データでそのパフォーマンスを検証しました。

要約(オリジナル)

Predictions in environments where a mix of legal policies, physical limitations, and operational preferences impacts an agent’s motion are inherently difficult. Since Neuro-Symbolic systems allow for differentiable information flow between deep learning and symbolic building blocks, they present a promising avenue for expressing such high-level constraints. While prior work has demonstrated how to establish novel planning setups, e.g., in advanced aerial mobility tasks, their application in prediction tasks has been underdeveloped. We present the Constitutional Filter (CoFi), a novel filter architecture leveraging a Neuro-Symbolic representation of an agent’s rules, i.e., its constitution, to (i) improve filter accuracy, (ii) leverage expert knowledge, (iii) incorporate deep learning architectures, and (iv) account for uncertainties in the environments through probabilistic spatial relations. CoFi follows a general, recursive Bayesian estimation setting, making it compatible with a vast landscape of estimation techniques such as Particle Filters. To underpin the advantages of CoFi, we validate its performance on real-world marine data from the Automatic Identification System and official Electronic Navigational Charts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google