随机网络物理系统在分布偏移下的统计可达性分析
内容提要
本文探讨了基于数据驱动的离散时间随机动态系统的可达性分析，提出了一种量化推荐内容到达用户的概率上限的方法，适用于复杂动态系统的学习增强控制。研究还涉及神经网络在随机系统中的应用及优化算法在约束动态系统中的表现，以及通过学习密度分布进行安全路径规划的有效性。
延伸解读
从数据到概率保证：符合推断的作用
文章提出使用符合推断将数据集转化为代理预测模型，并量化预测误差，从而为离散时间随机动态系统提供概率可达性保证。这种方法特别适用于复杂闭环动态难以用符号模型建模的学习增强控制系统，为数据驱动控制提供了统计上的可靠性。
推荐系统中的偏见检测与用户发现
在交互式推荐系统中，文章利用随机可达性评估过程，量化推荐目标内容到达用户的概率上限。该指标能有效检测内容可用性的偏见，诊断用户发现机会的限制，并揭示选择规则和用户干预对推荐过程的影响及其分布是否均匀。
工具与算法进展：ProbReach与优化方法
ProbReach工具采用delta-可达性的弱化概念，验证随机混合系统的概率可达性，在基准测试中表现满意并支持并行实现。此外，针对随机扰动下的约束动态系统，文章提出优化算法，在时间变化状态约束下最大化状态保持在限定区域内的概率，并提供随机传递集估计技术。
神经网络与强化学习在安全验证中的应用
文章利用前向可达性分析验证具有神经网络的时间变化系统的安全性，并在四旋翼控制中展示实用性。通过强化学习，将随机定向图中的可达性概率建模为Markov决策过程，提出确定奖励函数的方法以提供可达性概率上下限，并应用于流行病扩散分析。
Q&A
如何进行基于数据驱动的随机动态系统的可达性分析？
通过将数据集转化为代理预测模型，并使用符合推断量化预测模型的误差，从而提供概率可达性保证。
ProbReach工具的主要功能是什么？
ProbReach用于验证随机混合系统中的概率可达性，采用了delta-可达性的弱化概念，并在多个基准测试中表现出良好的结果。
如何通过强化学习方法建模随机定向图中的可达性概率？
通过特征化随机定向图中的转移概率动态，将其建模为一个差分包含，理解为Markov决策过程，并确定奖励功能。
在随机扰动下，如何优化约束动态系统的状态保持概率？
提出了一种优化算法，最大化状态在限定区域内的概率，并提供充分条件使随机可达集是闭合、紧凑和凸形的。
如何通过学习密度分布进行安全路径规划？
通过结合模型预测控制，利用数据驱动的方法有效应对系统的不确定性，实现可验证的安全路径规划。
新方法计算离散时间马尔可夫链的可达性概率的原理是什么？
该方法基于图的分解为强连通子图和多项式的新因数分解策略，实验评估显示速度提高。
