⚡ electrical engineering

Data-driven Reachable Set Estimation with Tunable Adversarial and Wasserstein Distributional Guarantees

تقترح هذه الورقة إطار عمل يعتمد على البيانات لتقدير المجموعات القابلة للوصول للأنظمة الديناميكية المتقطعة غير المعروفة، وذلك عبر صياغة برنامج سيناريو مُخفف باستخدام متغيرات الارتخاء التي توفر مقايضات قابلة للضبط بين حجم المجموعة والحساسية للقيم المتطرفة، مع توسيع النهج لتوفير ضمانات احتمالية قوية ضد كل من الاضطرابات العدائية المحدودة وتحولات توزيع واسرشتاين.

المؤلفون الأصليون: Georgios Pantazis, Michelle S. Chong

نُشر 2026-04-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Georgios Pantazis, Michelle S. Chong

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك قبطان سفينة تبحر عبر محيط ضبابي مجهول. ليس لديك خريطة مثالية للتيارات أو الرياح (أي "ديناميكيات" النظام). ومع ذلك، لديك سجل حافل بـ 1,000 رحلة سابقة قامت بها سفن أخرى في ظروف مماثلة. هدفك هو رسم "منطقة أمان" على خريطتك، وهي شكل يضمن بقاء سفينتك بداخله طوال الـ 25 ساعة القادمة، بغض النظر عما سيحدث.

هذه الورقة البحثية تدور حول رسم منطقة الأمان هذه بأكبر قدر ممكن من الدقة، حتى عندما يكون سجلك الفني فوضويًا، أو مستشعراتك معطلة، أو حتى لو تصرف المحيط غدًا بشكل مختلف قليلاً عما كان عليه بالأمس.

إليك تفصيل لحلهم باستخدام تشبيهات من الحياة اليومية:

1. المشكلة: "المثالي" مقابل "الواقعي"

تقليديًا، إذا حاولت رسم منطقة أمان بناءً على بيانات سابقة، فستحاول جعل المنطقة تغطي كل رحلة سابقة بدقة تامة.

العيب: إذا واجهت سفينة سابقة موجة غريبة وغير متوقعة (قيمة متطرفة)، فستضطر منطقة الأمان الخاصة بك إلى التمدد بشكل هائل لتغطية هذا الحدث الغريب الوحيد. وهذا يجعل منطقة الأمان ضخمة وغير مفيدة للتخطيط.
حل الورقة البحثية: قدموا مفهوم "متغير الاسترخاء" (تخيله كأنه شريط مطاطي مرن). بدلًا من إجبار منطقة الأمان على لمس كل نقطة سابقة، يسمحون للشريط المطاطي بالتمدد قليلاً للسماح لبعض النقاط "الغريبة" بالمرور من خلاله.
مقبض الضبط ( $\rho$ ): تحصل على قرص تحكم للتحكم في هذا الأمر.
- ارفع القرص للأعلى: يصبح الشريط المطاطي مشدودًا. أنت تجبر المنطقة على تغطية كل شيء تقريبًا، لكن المنطقة ستصبح ضخمة.
- اخفض القرض للأسفل: يصبح الشريط المطاطي مرتخيًا. تكون المنطقة أصغر وأضيق، لكنك تقبل بمخاطرة ضئيلة بأن بعض الرحلات السابقة "الغريبة" قد تكون خارجها.
- النتيجة: يمكنك اختيار التوازن المثالي بين منطقة "ضيقة" ومنطقة "آمنة".

2. الخصم: "نظام تحديد المواقع (GPS) المعطل"

ماذا لو كانت بيانات سجلك غير دقيقة تمامًا؟ ربما تعطل مستشعر ما، أو قام "خصم" (Adversary) بتعديل إحداثيات السفن السابقة بشكل طفيف.

الطريقة القديمة: معظم الطرق تفترض أن البيانات هي "حقيقة مطلقة". إذا كانت البيانات خاطئة قليلاً، فقد تكون منطقة الأمان الخاصة بك غير دقيقة بشكل خطير.
حل الورقة البحثية: يفترضون أن كل رحلة سابقة كان من الممكن أن تُدفع قليلاً بواسطة قوة خبيثة أو ضجيج ضمن نصف قطر معين (مثل يد ترتجف تحرك القلم).
الاستراتيجية: هم لا يرسمون منطقة الأمان حول النقاط التي تراها فحسب، بل حول "سحابة" من النقاط التي كان من الممكن أن تكون موجودة لو كانت البيانات فاسدة قليلاً. هذا يجعل منطقة الأمان قوية ضد الهجمات العدائية (Adversarially Robust). الأمر يشبه بناء حصن ليس فقط للعدو الذي تراه، بل للعدو الذي تتوقع احتمال ظهوره.

3. تغيير الشكل: صناديق مختلفة لمهام مختلفة

لجعل الرياضيات تعمل، يجب أن يكون لمنطقة الأمان شكل محدد. تختبر الورقة ثلاثة أشكال، مثل اختيار حاويات مختلفة لبضاعتك:

الكرات (Spheres): بسيطة ومستديرة. جيدة للحركة العامة.
الأشكال البيضاوية (Ellipsoids): ممدودة. جيدة إذا كانت السفينة تتحرك بسرعة أكبر في اتجاه واحد أكثر من غيره.
الزونوتوب (Zonotopes - أحجار كريمة متعددة الأوجه): أشكال معقدة يمكنها احتضان البيانات بإحكام شديد.
النتيجة: يظهرون أنه بينما يتناسب شكل "الجوهرة" (Zonotope) مع البيانات بشكل أضيق، إلا أنه يتطلب بيانات أكثر ليكون موثوقًا إحصائيًا. أما شكل "البيضة" (Ellipsoid) فهو يمثل حلاً وسطًا ممتازًا. وتثبت الرياضيات أنه بغض النظر عن الشكل الذي تختاره، يمكنك حساب ضمانات السلامة بكفاءة.

4. سيناريو "ماذا لو": المحيط يتغير

ماذا لو كانت تيارات المحيط غدًا مختلفة قليلاً عن التيارات الموجودة في سجلك؟ (هذا ما يسمى بـ "انزياح التوزيع" - Distribution Shift).

حل الورقة البحثية: يستخدمون مفهومًا يسمى "مسافة واسرستاين" (Wasserstein Distance) (تخيله كأنه "تكلفة نقل الرمل"). يقيس هذا المفهوم مقدار الجهد المطلوب لتحويل "رمل" توزيع بياناتك الماضية إلى "رمل" التوزيع المستقبلي.
الضمان: يثبتون أنه حتى لو تغير المحيط قليلاً (ضمن حد معين من "التكلفة")، فإن منطقة الأمان الخاصة بك ستظل تعمل. هم يقدمون صيغة تخبرك بالضبط مدى تدهور ضمان السلامة. إنه يشبه قول: "إذا تغيرت الرياح بهذا القدر، فإن منطقة الأمان الخاصة بك ستظل موثوقة بنسبة 95%".

الملخص: "شبكة الأمان الذكية"

ببساطة، تقدم هذه الورقة للمهندسين شبكة أمان ذكية وقابلة للتعديل للأنظمة غير المعروفة.

تتعلم من البيانات دون الحاجة إلى نموذج فيزيائي مثالي.
تتجاهل الضجيج (القيم المتطرفة) حتى لا تصبح الشبكة كبيرة جدًا.
تتوقع الأعطال (الهجمات العدائية) حتى لا تنكسر الشبكة.
تتعامل مع التغيير (انزياح التوزيع) لتبقى الشبكة صالحة حتى لو تغيرت قواعد اللعبة قليلاً.

من خلال "تدوير" القرأ ( $\rho$ )، يمكن للمستخدم أن يقرر: "هل أريد شبكة ضيقة وصغيرة قد تفقد بعض الأحداث الغريبة، أم شبكة ضخمة وآمنة تغطي كل شيء؟" والأفضل من ذلك؟ يمكنهم إثبات ذلك رياضيًا بأن خيارهم آمن، حتى في مواجهة الفوضى.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تقدير المجموعات الممكنة بالاعتماد على البيانات مع ضمانات توزيعية قابلة للضبط من نوع 'أدفرساريال' (Adversarial) و'واسرشتاين' (Wasserstein)" للباحثين جورجيوس بانتازيس وميشيل إس. تشونج.

1. بيان المشكلة

تتناول الورقة تحدي تقدير المجموعات الممكنة (Reachable Sets) للأنظمة ذات الزمن المنفصل غير المعروفة باستخدام مسارات الحالة المأخوذة من العينات فقط.

السياق: يعتمد التقدير التقليدي للمجموعات الممكنة على نماذج الأنظمة المعروفة. ومع ذلك، فإن التطبيقات الحديثة غالبًا ما تتضمن ديناميكيات معروفة جزئيًا أو حالات عدم يقين معقدة تفشل معها النهج القائمة على النماذج.
الهدف: تعلم عائلة من المجموعات (مجموعة واحدة لكل خطوة زمنية في أفق زمني محدد) تحتوي على مسارات الحالة المستقبلية باحتمالية عالية، بناءً فقط على $N$ من المسارات المرصودة.
التحديات الرئيسية:
1. المقايضة: الموازنة بين إحكام (حجم) المجموعة المقدرة وبين الموثوقية (احتمالية الاحتواء) للمسارات غير المرئية.
2. المتانة ضد الهجمات العدائية (Adversarial Robustness): ضمان بقاء المجموعات صالحة حتى لو تعرضت بيانات التدريب المرصودة لاضطرابات ناتجة عن ضوضاء أو خصوم عدائيين.
3. انزياح التوزيع (Distributional Shift): توفير ضمانات تتدهور بشكل تدريجي عند اختلاف توزيع النشر عن توزيع التدريب (مقاسًا بمسافة واسرشتاين).

2. المنهجية

يقترح المؤلفون إطار عمل موحد يعتمد على تحسين السيناريو (Scenario Optimization) مع توسعات محددة للمتانة والاسترخاء.

أ. إطار الاسترخاء القابل للضبط

بدلاً من التعامل مع تحسين السيناريو كصندوق أسود بقيود صارمة، يقدم المؤلفون برنامج سيناريو مسترخٍ ( $P_{N,\rho}$ ):

الهدف: تقليل مقياس حجم المجموعة الممكنة (مثل الحجم أو نصف القطر) مضافًا إليه حد عقوبة موزون بـ $\rho$ .
القيود: تسمح القيود بوجود متغيرات إضافية (Slack Variables) ( $\xi_i$ $ξ_{i}$ ) لكل مسار مأخوذ من عينة.
- $g(x^{(i)}, \theta) \leq \xi_i$
معلمة الضبط ( $\rho$ ): تتحكم هذه المعلمة في عملية المقايضة.
- $\rho$ مرتفع: يفرض اتساقًا صارمًا مع البيانات المرصودة (مجموعات أكبر، احتمالية احتواء أعلى).
- $\rho$ منخفض: يسمح بتجاهل المزيد من القيم المتطرفة (مجموعات أصغر، واحتمالية احتواء أقل محتملًا).
الأشكال الهندسية: يدعم إطار العمل أشكالًا هندسية محدبة متنوعة، بما في ذلك كرات $p$ -norm، والقطع الناقص (ellipsoids)، والزونوتوب (zonotopes).

ب. الصياغة المتينة ضد الهجمات العدائية (Adversarially Robust Formulation)

للتعامل مع الاضطرابات في البيانات المرصودة (مثل ضوضاء المستشعرات أو الهجمات العدائية)، تم توسيع الطريقة لتصبح تحسين سيناريو متين ضد الهجمات العدائية:

نموذج الاضطراب: يُفترض أن كل مسار مأخوذ من عينة $x^{(i)}$ يقع ضمن مجموعة محدودة $\mathcal{A}_{x^{(i)}}$ (على سبيل المثال، كرة بنصف قطر $R$ ).
القيود المتينة: يضمن التحسين أنه لكل مسار، فإن جميع الاضطرابات الممكنة ضمن المجموعة العدائية تحقق قيود المجموعة الممكنة.
مقياس التعقيد: يعرّف المؤلفون التعقيد العدائي ( $s^*_A$ )، والذي يحصي عدد المسارات "النشطة" في تحديد حدود المجموعة الممكنة تحت تأثير أسوأ الاضطرابات.

ج. الضمانات النظرية

يستنتج المؤلفون حدودًا احتمالية صارمة باستخدام نتائج حديثة في تحسين السيناريو:

الضمانات الاحتمالية اللاحقة (A Posteriori): تقدم النظرية 1 حداً لـ احتمالية استبعاد المسار العدائي ( $V_A$ ). مع ثقة $1-\beta$ ، تكون احتمالية وقوع مسار جديد (واضطراباته) خارج المجموعة المقدرة محدودة بدالة للتعقيد العدائي $s^*_A$ وعدد العينات $N$ .
المتانة التوزيعية لـ "واسرشتاين": تعالج النظرية 2 السيناريو الذي ينزاح فيه توزيع النشر عن توزيع التدريب.
- إذا كان التوزيع الجديد يقع ضمن كرة 1-واسرشتاين بنصف قطر $\tilde{\mu}$ حول التوزيع الاسمي، فإن احتمال الانتهاك يكون محدودًا بـ:
  $V_{\tilde{\mu}, P} \leq \epsilon(s^*_A) + \frac{\tilde{\mu}}{R}$
- يوضح هذا أن الضمانات النظرية تتدهور بشكل تدريجي (خطي) مع مقدار انزياح التوزيع بالنسبة لنصف قطر الاضطراب العدائي.

د. إعادة الصياغة القابلة للتتبع (Tractable Reformulations)

لضمان الجدوى الحسابية، يستنتج المؤلفون إعادة صياغة محدبة لأشكال هندسية محددة:

كرات $p$ -norm: تمت إعادة صياغتها باستخدام متغيرات نصف القطر والمركز مع قيود $L_p$ norm.
القطع الناقص (Ellipsoids): تمت إعادة صياغتها باستخدام متغيرات مصفوفية، وغالبًا ما تستخدم لوغاريتم المحدد (log-determinant) لمصفوفة الشكل للحفاظ على التحدب كمقياس للحجم.
الزونوتوب (Zonotopes): تمت إعادة صياغتها باستخدام مصفوفات المولدات وعوامل القياس، مع إدخال متغيرات مساعدة للتعامل مع القيود الخطية لتعريف الزونوتوب.

3. المساهمات الرئيسية

نهج السيناريو المسترخى للوصول (Reachability): على عكس الأعمال السابقة التي تستخدم قيودًا صارمة أو طرق الاستبقاء (holdout)، تقدم هذه الورقة نهج استرخاء قابل للضبط ( $\rho$ ) يوازن صراحةً بين حجم المجموعة وضمانات التعميم.
المتانة العدائية في الوصول: يعد هذا أول عمل يدمج تحسين السيناريو المتين ضد الهجمات العدائية مباشرة في تقدير المجموعات الممكنة، مما يوفر حدودًا تأخذ في الاعتبار الاضطرابات المحدودة في بيانات التدريب.
ضمانات "واسرشتاين" التوزيعية: توفر الورقة حدودًا صريحة وغير تقاربية (non-asymptotic) لكيفية تدهور الضمانات الاحتمالية تحت انزياحات التوزيع، وتربط معدل التدهور بنسبة نصف قطر الواسرشتاين إلى نصف قطر الاضطراب العدائي.
المرونة الهندسية: تم تعميم الإطار لدعم كرات $p$ -norm، والقطع النافي، والزونوتوب، مع تقديم إعادة صياغة محدبة لكل منها.

4. النتائج والمحاكاة

يتحقق المؤلفون من نظريتهم من خلال عمليات محاكاة عددية على نظام غير خطي عشوائي:

الإعداد: نظام ذو ديناميكيات غير معروفة ( $x_{k+1} = Ax_k + B\phi(Cx_k) + w_k$ ) عبر أفق زمني $T=25$ ، تم التدريب فيه على $N=1000$ من المسارات.
المتانة العدائية:
- أظهرت المحاكاة أن زيادة $\rho$ تؤدي إلى مجموعات أكبر تغطي البيانات بشكل أفضل، بما في ذلك العينات المضطربة عدائيًا.
- الواقع التجريبي مقابل النظري: كان احتمال انتهاك المسار التجريبي باستمرار أقل من الحدود النظرية المستمدة من النظرية 1، مما يؤكد صحة الضمانات.
- مقارنة الأشكال الهندسية: وفرت الزونوتوبات مجموعات أكثر إحكامًا (حجم أفضل) ولكنها تطلبت عينات أكثر لتحقيق نفس الضمانات النظرية مقارنة بالقطع الناقص أو الكرات.
انزياح التوزيع:
- أُجريت اختبارات حيث تم سحب بيانات الاختبار من توزيع غاوسي منزاح (متوسط وتباين مختلفين).
- ظل احتمال الانتهاك خارج التوزيع التجريبي أقل من الحد النظري المستمد من النظرية 2، مما أثبت متانة الطريقة تجاه انزياحات التوزيع.
الضبط: أظهرت معلمة $\rho$ قدرتها الفعالة على المقايضة بين حجم المجموعة واحتمالية الاحتواء عبر جميع الأشكال الهندسية.

5. الأهمية

تجسر هذه الورقة الفجوة بين التعلم القائم على البيانات والتحقق الرسمي (Formal Verification) في أنظمة التحكم.

العملية: إنها تتجاوز "الصندوق الأسود" لتحسين السيناريو، حيث تقدم آلية قابلة للضبط ( $\rho$ ) للمهندسين للموازنة بين السلامة (حجم المجموعة) والأداء (احتمالية الاحتواء).
المتانة: من خلال النمذجة الصريحة للاضطرابات العدائية وانزياحات التوزيع، تعد الطريقة أكثر ملاءمة للنشر في العالم الحقيقي حيث تكون البيانات مشوبة بالضوضاء وظروف التشغيل متغيرة.
الدقة النظرية: إن اشتقاق الضمانات اللاحقة (a posteriori) التي تسري على البيانات غير المرئية، حتى في ظل انزياحات التوزيع، يوفر شهادة سلامة قوية للأنظمة ذاتية القيادة وتطبيقات التحكم الحرجة للسلامة.

باختصار، تقدم هذه الورقة إطار عمل قويًا يعتمد على البيانات لتقدير المجموعات الممكنة، وهو مؤصل رياضيًا، وقابل للتتبع حسابيًا، وقابل للتكيف مع مختلف التمثيلات الهندسية ونماذج عدم اليقين.