arXiv:2604.01173v2 eess.SY

함수 기반 불확실성 정량화를 통한 안전한 학습 기반 제어

Safe learning-based control via function-based uncertainty quantification

Abdullah Tokmak, Toni Karvonen, Thomas B. Sch\"on, Dominik Baumann

제출 2026-09-24

한국어 초록

불확실성 정량화는 안전이 중요한(safety-critical) 시스템에 학습 기반 제어 방법을 배포할 때 필수적이다. 이는 통상 관심 대상인 미지 함수—예를 들어 보상 및 제약 함수 또는 기저 동역학 모델—를 높은 확률로 둘러싸는 불확실성 튜브(uncertainty tubes)를 구성함으로써 실현된다. 그러나 불확실성 정량화를 위한 기존 접근법은 일반적으로 함수 공간에서의 알려진 norm과 같이, 미지 함수의 매끄러움(smoothness) 성질을 인코딩하는 제한적인 가정에 의존한다. 게다가 이러한 방법들은 보통 불연속성(discontinuities)에 어려움을 겪는다. 본 논문에서는 미지 함수를 독립동일분포(i.i.d.) 실현값(realizations)을 생성할 수 있는 확률함수(random function)로 모델링한다. 그다음 시나리오 접근법(scenario approach)을 통해 높은 확률로 성립하는 불확실성 튜브를 구성한다. 우리의 불확실성 튜브는 오직 샘플링된 실현값에만 의존하므로, 샘플링 모델이 표현하는 불연속성을 수용할 수 있다. 이러한 불확실성 튜브를 안전 베이지안 최적화(safe Bayesian optimization) 알고리즘에 통합하여, 실제 Furuta pendulum에서 제어 파라미터를 안전하게 튜닝한다.

원문 초록

Uncertainty quantification is essential when deploying learning-based control methods in safety-critical systems. This is commonly realized by constructing uncertainty tubes that enclose the unknown function of interest, e.g., the reward and constraint functions or the underlying dynamics model, with high probability. However, existing approaches for uncertainty quantification typically rely on restrictive assumptions that encode smoothness properties of the unknown function, such as a known norm in a function space. Moreover, these methods usually struggle with discontinuities. In this paper, we model the unknown function as a random function from which independent and identically distributed realizations can be generated. We then construct uncertainty tubes via the scenario approach that hold with high probability. Our uncertainty tubes rely solely on sampled realizations and can therefore accommodate discontinuities represented by the sampling model. We integrate these uncertainty tubes into a safe Bayesian optimization algorithm with which we safely tune control parameters on a real Furuta pendulum.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2604.01173v2제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.21772v1physics.optics공통 태그 Uncertainty Quantification, Bayesian Optimization

FDTD 검증을 통한 1310 nm PCSEL의 신뢰성 인식 베이지안 최적화

Reliability-Aware Bayesian Optimization of 1310 nm PCSELs with FDTD Verification

1310 nm 부근의 광결정 표면 발광 레이저(photonic-crystal surface-emitting lasers, PCSEL)는 광통신 및 센싱에 매력적인 협빔 광원이지만, 최종 설계 정밀화는 비용이 많이 든다. 작은 기하학적 변화가 밴드 가장자리 공명, 공동 누출, 원거리장 발산, 그리고 고-$Q$ 감쇠 적합의 수치적 안정성을 동시에 변화시키는 반면, 모든 전파(full-wave) 시도마다 시간 영역 시뮬레이션이 필요하다. 우리는 상용 유한차분 시간영역(finite-difference time-domain, FDTD) 솔버를 8개의 국소 설계 변수에 대한 신뢰성 인식 베이지안 최적화(BO) 루프와 결합한다. 완료된 각 시뮬레이션은 다음 기하학을 선택하는 데 사용되는 대리 모델(surrogate)을 갱신한다. 후보 순위는 파장 및 빔 품질 요구사항을, 솔버가 보고한 상대 적합 오차 추정치 $dQ/Q$에서 유도된 신뢰성 보정 지표 $Q_{\mathrm{eff}}$와 결합한다. 동일한 기준 모델에서 3회의 80회 평가 실행에서 BO는 실행당 공동 필터를 통과한 5--15개의 후보를 생성했다. 새로운 모델 복사본에서 재구성한 설계는 1308.23--1310.90~nm에서 약 $0.84^{\circ}$ 발산으로 $Q_{\mathrm{eff}}=4.33\times10^6$--$7.76\times10^6$을 유지했으며, 이는 기준선 지표 대비 60--108배 증가이다. 동등한 예산 하에서 BO는 차분 진화(7.0) 및 라틴 하이퍼큐브 샘플링(1.5)과 비교하여 가장 높은 평균 엄격 필터 수율(9.0 후보)을 보였으나, 대조군은 때때로 최대 $Q_{\mathrm{eff}}$와 맞섰다. 장 분포, 공명 스펙트럼, 및 국소 섭동은 추가로 굴절률(index) 관련 파장 핸들과 구멍 크기 관련 누출 핸들을 식별한다. 결과적으로 FDTD 예산은 단일 낙관적 감쇠 적합을 신뢰하지 않고도 파장 호환, 협빔, 재현 가능한 고-$Q$ PCSEL 후보 풀을 생성한다.

arXiv:2607.13911v1cs.NE공통 태그 Uncertainty Quantification, Bayesian Optimization

LLM 생성을 어떻게 유도할 것인가: 자동 휴리스틱 설계를 위한 이중 대리 모델 유도 탐색

How to Guide LLM Generation: Dual-Surrogate Guided Search for Automated Heuristic Design

대규모 언어 모델(LLM)은 작업 설명과 평가자(evaluator) 피드백으로 실행 가능한 휴리스틱 코드를 생성함으로써 자동 휴리스틱 설계(AHD)를 점점 더 실용적으로 만들었다. 그러나 제한된 쿼리 및 평가 예산 하에서는 탐색 효율이 사전 생성(pre-generation) 결정에 크게 달려 있다. 각 LLM 쿼리와 블랙박스 평가 이전에, 시스템은 아카이브된 휴리스틱 중 어떤 것을 부모(parent)로 재사용할지, 그리고 어떤 생성 연산자(generation operator)가 이를 변환해야 할지 선택해야 한다. 기존 방법들은 일반적으로 이러한 행동을 사전 정의된 규칙으로 선택하며, 각 구체적인 연산자-부모(operator-parent) 행동의 기대 결과를 간접적으로만 모델링한다. 따라서 본 논문은 LLM 기반 AHD에서 연산자-부모 선택을 위한 대리 모델(surrogate) 유도 행동 선택 모듈인 \emph{\fullmethod{}} (\method{})를 제안한다. \method{}는 두 가지 상보적인 대리 모델로 사전 생성 행동을 점수화함으로써 LLM 코드 생성 과정을 유도한다. 구체적으로, 전이(transition) 대리 모델은 연산자-부모 행동에 의해 유도되는 자식(child) 표현(representation)의 잠재(latent) 분포를 예측하고, 인스턴스 조건(instance-conditioned) 유틸리티 대리 모델은 샘플링된 자식 잠재의 기대 성능을 추정한다. 또한, 예측된 유틸리티, 유틸리티 불확실성, 전이 불확실성을 결합하여 다음 LLM 생성 행동을 선택하는 불확실성 인식 획득(acquisition) 규칙을 제안한다. 다양한 휴리스틱 설계 벤치마크에서 \method{}는 강력한 LLM-AHD 기준선(baseline)과 경쟁력 있는 성능을 보이며, ablation 및 행동 선택 분석은 그 동작이 단순한 아카이브 순위화나 고정된 연산자 선호를 넘어섬을 시사한다.

arXiv:2610.02975v2cs.AI공통 태그 Uncertainty Quantification

불완전한 프록시 보상을 활용한 신뢰할 수 있는 자기 진화

Reliable Self-Evolution with Imperfect Proxy Rewards

대규모 언어 모델(LLM) 기반의 자기 진화 탐색은 과학적 발견을 위한 유망한 접근법입니다. 그러나 일부 영역에서는 모든 후보에 대해 고충실도(high-fidelity) 평가를 수행하는 데 엄청난 비용이 듭니다. 따라서 이러한 환경의 자기 진화 시스템은 비용이 저렴하지만 불완전한 프록시 보상(proxy reward)에 의존하며, 이는 실현 불가능한 후보에 높은 점수를 부여할 수 있습니다. 이러한 위양성(false positive)은 최종 출력뿐만 아니라 후속 세대를 유도하는 데 사용되는 피드백까지 오염시킬 수 있습니다. 이는 보다 신뢰할 수 있는 자기 진화 탐색을 위해 통계적으로 보정된 보상 구간을 도입하는 동기가 됩니다. 본 논문에서는 조건부 등분산 추론(conditional conformal inference)과 반복(iteration)별 온라인 밀도비 추정을 사용하여 후보별 보상 구간을 구성하는 CISE(Conformal Interval-Driven Self-Evolution)를 제안합니다. CISE는 진화적 피드백을 위해 보수적인 구간 기반 보상을 사용하며, 요구되는 모든 속성 구간이 각자의 실행 가능한 영역 내에 완전히 포함될 때만 후보를 반환합니다. 본 연구는 독립성 및 공변량 변화(covariate shift)에 대한 명시적 가정 하에서 고정 반복 커버리지 결과를 도출합니다. 또한 재료과학 분야의 세 가지 자기 진화 탐색 작업에서 CISE를 평가합니다. 실험 결과, 고충실도 평가에서 CISE가 반환한 모든 후보는 진양성(true positive)이었던 반면, 베이스라인들은 더 많은 후보를 반환하지만 위양성을 포함했습니다. 이러한 결과는 다운스트림 검증 예산이 제한적일 때 더 작지만 더 정밀한 후보 목록이 갖는 가치를 강조합니다. 연구 저장소는 https://github.com/MLAI-Yonsei/CISE.git 에서 확인할 수 있습니다.

arXiv:2609.26683v2astro-ph.SR공통 태그 Uncertainty Quantification

PROSWIN: 태양 영상을 이용한 심층 분포 회귀 기반의 확률론적 태양풍 속도 예측

PROSWIN: Probabilistic Solar Wind Speed Forecasting Using Deep Distributional Regression From Solar Images

빠른 태양풍 조건을 정확하게 예측하는 것은 불확실성이 크고 기존의 단일값 예측 모델로는 이를 정량화할 수 없기 때문에 어려운 과제입니다. 특히 기술적 인프라에 피해를 줄 수 있는 고속 태양풍 스트림(HSS)의 위험은 확률론적 예측 없이는 신뢰성 있게 평가될 수 없습니다. 본 연구에서는 4일의 리드 타임으로 지구에서의 시간별 태양풍 속도(SWS)를 예측하는 확률론적 머신러닝 모델인 PROSWIN을 제시합니다. 이 접근 방식은 심층 신경망(deep neural network)과 분포 회귀(distributional regression) 알고리즘을 결합하여 태양 영상과 자기장 지도(magnetogram)를 통합합니다. 표준 오차 지표는 HSS 피크의 중요성을 과소평가하므로, 타임라인과 HSS 피크 정확도를 함께 보상하는 모델 선택 지표인 예측 점수(prediction score)를 추가로 도입합니다. 14년간의 데이터에서 본 연구의 예측은 매우 잘 보정된 불확실성(평균 편차 <1%)을 달성합니다. 분포 정확도를 평가하는 지표인 연속 순위 확률 점수(CRPS)를 사용하여 타임라인 CRPS 41.0 km/s, HSS 피크 CRPS 45.3 km/s, 예측 점수 42.3 km/s를 얻었습니다. 또한 171 Å 채널이 일반적으로 사용되는 193 Å 및 211 Å 채널에 중요한 보완 요소가 되며, 모델 선택을 위한 예측 점수가 모델의 적용 가능성을 향상시킨다는 점을 확인했습니다. 기존 문헌에서 선정된 모델들과 비교했을 때, 본 모델은 둘 중 하나를 희생하지 않고 타임라인과 HSS 피크 값 모두에서 정확한 유일한 모델입니다. 이러한 결과는 단일값 태양풍 모델 대비 확률론적 모델의 이점을 뒷받침합니다. 도입된 방법론은 다른 예측 문제에도 전이 가능합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.