PulseAugur
中
实时 11:01:15
English(EN) $S^3$: A Smooth Simulation Surrogate for Optimizing Discrete Abstractions of Dynamical Systems

$S^3$ 方法优化动力系统的神经网络抽象

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种称为平滑仿真代理（$S^3$）的新方法，用于优化动力系统的离散抽象，特别是那些具有神经网络控制器的系统。这种可微分的目标函数近似了用于量化抽象中保守性的指标，从而允许进行基于梯度的优化，同时保持其可靠性。在三个案例研究中的评估表明，$S^3$ 与反向仿真指标具有良好的相关性，计算效率高，并能有效降低抽象保守性。 AI

影响 引入了一种新颖的优化技术，用于提高关键系统中神经网络控制器的安全性和可靠性。

排序理由 详细介绍一种优化动力系统抽象新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

$S^3$ 方法优化动力系统的神经网络抽象

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jordan Peper, James Mathias Gast, Vignesh Nanduri, Tanmayee Maram, Ethan Howes, Ivan Ruchkin ·

    $S^3$：用于优化动力系统离散抽象的平滑仿真代理

    arXiv:2608.15920v1 Announce Type: cross Abstract: Intelligent systems are increasingly deployed in safety-critical settings with black-box controllers, including neural networks. The properties and behaviors of these end-to-end systems can be studied with abstraction-based method…

相关实体

相关话题