使用决策树的神经网络控制器的等效与紧凑表示方法

《IEEE Transactions on Automatic Control》:Equivalent and Compact Representations of Neural Network Controllers With Decision Trees

【字体: 大 中 小 】 时间:2026年03月24日 来源:IEEE Transactions on Automatic Control 7

编辑推荐:

  本研究将基于神经网络的控制器转换为等效软决策树控制器,通过精确高效的分支剪裁算法提升形式验证可行性,并在三个OpenAI Gym环境中验证了该方法使运行效率最高提升20倍的显著效果,包括自主驾驶场景。

  

摘要:

在过去的十年中,基于神经网络(NN)的控制器在各种决策任务中展现了显著的效果。然而,它们的黑盒特性以及可能出现意外行为的风险,使得这些控制器难以应用于需要强正确性和安全性保证的实际系统中。我们通过研究将基于NN的控制器转换为等效的基于软决策树(SDT)的控制器,并分析其对可验证性的影响,来解决这些限制。与现有研究不同,我们专注于使用修正线性单元(ReLU)激活函数和argmax操作的离散输出NN控制器。随后,我们设计了一种精确且高效的转换算法,该算法能够自动修剪冗余分支。我们使用OpenAI Gym环境中的三个基准测试来评估我们的方法,并展示了转换算法的实际效果,这些基准测试包括一个自动驾驶NN控制器。我们的结果表明,SDT转换能够提升形式化验证的效率,在MountainCar-v0、CartPole-v1和CarRacing-v2环境中,运行时间分别提高了20×2×、20×。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号