Die Gewährleistung der Sicherheit ist entscheidend bei sequentiellen Entscheidungsproblemen, wie z.B. der medizinischen Dosierung, dem Online-Betrieb von Chemieanlagen, dem autonomen Rennen oder der Robotersteuerung im Allgemeinen. Die Komplexität der zugrunde liegenden Systeme macht es oft schwierig, die optimale Entscheidung zu finden, insbesondere wenn das sicherheitskritische System zeitlich variabel ist. Der vorgeschlagene Algorithmus, genannt TVSAFEOPT, überwindet das Problem der Optimierung einer unbekannten zeitlich variablen Belohnung unter unbekannten zeitlich variablen Sicherheitsbeschränkungen. Der Algorithmus basiert auf der Bayesschen Optimierung mit einem raum-zeitlichen Kernel und ist in der Lage, sicher ein zeitlich variables sicheres Set zu verfolgen, ohne dass eine explizite Änderungserkennung erforderlich ist. Optimalitätsgarantien werden auch für den Algorithmus bereitgestellt, wenn das Optimierungsproblem stationär wird. Die Bewertung anhand einer realistischen Fallstudie mit Gaskompressoren bestätigt, dass TVSAFEOPT die Sicherheit bei der Lösung zeitlich variabler Optimierungsprobleme mit unbekannten Belohnungs- und Sicherheitsfunktionen gewährleistet.

Die Conference on Neural Information Processing Systems (NeurIPS) ist eine Konferenz über maschinelles Lernen und Computational Neuroscience, die jedes Jahr im Dezember stattfindet. Zusammen mit ICLR und ICML ist sie eine der drei wichtigsten Konferenzen für maschinelles Lernen und KI-Forschung.

Diese Arbeit ist eine Zusammenarbeit der IAI-Gruppe unter der Leitung von Alisa Rupenyan am CAI, mit Forschern der ETH Zürich und der TU Delft.

Für weitere Details, siehe das Papier hier und das Poster hier.