⚡ electrical engineering

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

Dieser Beitrag stellt einen datengesteuerten Ansatz zur Schätzung erreichbarer Mengen für unbekannte diskrete dynamische Systeme vor, der durch eine relaxierte Szenariooptimierung mit Schlupfvariablen, adversarischer Robustheit und Wasserstein-Garantien eine einstellbare Balance zwischen der Größe der Mengen und der Wahrscheinlichkeit zukünftiger Trajektorieninklusion über den gesamten Zeithorizont ermöglicht.

Ursprüngliche Autoren: Georgios Pantazis, Michelle S. Chong

Veröffentlicht 2026-04-15

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Georgios Pantazis, Michelle S. Chong

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Wettervorhersage-Experte, aber Sie haben keine physikalischen Formeln für das Wetter. Stattdessen haben Sie nur ein riesiges Notizbuch mit tausenden von vergangenen Wetterberichten (Daten). Ihre Aufgabe ist es, eine Vorhersage zu treffen: „Wo wird das Wetter morgen sein?"

In der Technik nennt man das Erreichbarkeitsmengen (Reachable Sets). Es ist die Frage: „Welche Zustände kann ein System (wie ein Auto, ein Roboter oder ein Stromnetz) in der Zukunft erreichen?"

Dieses Papier stellt eine neue, sehr clevere Methode vor, um diese Vorhersagen zu treffen, die drei große Probleme löst, mit denen andere Methoden kämpfen. Hier ist die Erklärung in einfachen Worten:

1. Das Problem: Der „Perfekte" Kreis ist zu eng

Stellen Sie sich vor, Sie zeichnen einen Kreis um alle Punkte, die Ihr Roboter in der Vergangenheit erreicht hat.

Das Problem: Wenn Sie den Kreis nur so groß machen, dass er genau die alten Punkte berührt, ist er sehr klein und präzise. Aber wenn morgen ein kleiner Windstoß (ein Rauschen) kommt oder ein neuer Punkt leicht daneben liegt, platzt Ihr Kreis. Das System ist dann „unsicher".
Die Lösung des Papiers: Die Autoren schlagen vor, den Kreis bewusst etwas größer zu machen, aber mit einem Schalter (einem Parameter namens $\rho$ ).
- Drehen Sie den Schalter auf „klein": Der Kreis ist eng, aber riskant (er könnte Punkte verpassen).
- Drehen Sie den Schalter auf „groß": Der Kreis wird riesig und sicher, aber ungenau.
- Der Clou: Sie können diesen Schalter selbst einstellen, je nachdem, wie viel Platz Sie haben und wie sicher Sie sein wollen. Es ist wie ein Dimmer-Licht: Sie entscheiden, wie hell (sicher) oder dunkel (kompakt) es sein soll.

2. Das zweite Problem: Böse Störenfriede (Adversarial Perturbations)

Stellen Sie sich vor, jemand versucht, Ihren Roboter zu täuschen, indem er die Daten leicht manipuliert (z. B. ein Sensor liest 0,1 Meter falsch ab, weil jemand den Sensor kurz berührt hat).

Das Problem: Herkömmliche Methoden gehen davon aus, dass die Daten aus dem Notizbuch „heilig" und perfekt sind. Wenn die Daten aber manipuliert sind, versagt die Vorhersage.
Die Lösung des Papiers: Die Autoren sagen: „Wir gehen davon aus, dass die Daten nicht perfekt sind." Sie bauen eine Art Schutzschild um jeden einzelnen Datenpunkt.
- Stellen Sie sich vor, jeder Punkt in Ihrem Notizbuch ist nicht nur ein Punkt, sondern ein kleiner Regenschirm.
- Die Methode berechnet den Kreis so, dass er nicht nur die Punkte selbst, sondern auch den gesamten Bereich unter dem Regenschirm abdeckt.
- Selbst wenn jemand die Daten ein bisschen „verdreht" (wie ein böser Hacker oder ein verrauschter Sensor), bleibt Ihre Vorhersage trotzdem sicher. Das nennt man adversarielle Robustheit.

3. Das dritte Problem: Das Wetter ändert sich (Distributional Shifts)

Stellen Sie sich vor, Sie haben Ihr Notizbuch mit Daten aus dem Sommer gefüllt. Aber morgen ist Winter. Die alten Daten gelten nicht mehr genau so.

Das Problem: Wenn sich die Verteilung der Daten ändert (z. B. andere Startbedingungen oder andere Störungen), funktionieren die alten Garantien nicht mehr.
Die Lösung des Papiers: Die Autoren nutzen ein mathematisches Werkzeug namens Wasserstein-Distanz.
- Stellen Sie sich vor, Sie haben eine Kugel aus Wasser (die alte Datenverteilung). Wenn sich das Wetter ändert, verschiebt sich diese Kugel ein bisschen.
- Die Methode berechnet eine Garantie, die sagt: „Selbst wenn sich die Datenkugel bis zu einem bestimmten Punkt verschiebt (wie ein kleiner Erdstoß), bleibt unsere Vorhersage immer noch gültig."
- Sie können genau berechnen, wie stark die Sicherheit abnimmt, wenn sich die Daten ändern. Es ist wie eine Versicherungspolice, die genau angibt, wie viel Risiko Sie tragen, wenn sich die Umstände leicht ändern.

Zusammenfassung: Was haben sie erreicht?

Die Autoren haben ein Werkzeugkasten-System entwickelt, das:

Flexibel ist: Sie können zwischen „kleinem, engem Kreis" und „großem, sicherem Kreis" wählen.
Robust ist: Es ignoriert kleine Fehler oder böswillige Manipulationen der Daten nicht, sondern rechnet sie ein.
Sicher ist: Es gibt eine mathematische Garantie, dass die Vorhersage auch dann funktioniert, wenn sich die Welt ein wenig verändert (z. B. andere Startbedingungen).

Die Geometrie:
Um das alles rechnerisch machbar zu machen, haben sie verschiedene Formen getestet:

Kugeln (Balls): Einfach, rund.
Ellipsen: Etwas gestreckt, passen sich besser an.
Zono-Topen: Eine Art „gestapelte Würfel" oder Polyeder, die sehr komplexen Formen folgen können.

Sie haben gezeigt, dass man mit diesen Formen und dem „Dimmer-Schalter" ( $\rho$ ) sehr präzise und sichere Vorhersagen für unsichere Systeme treffen kann – ganz ohne die genaue physikalische Formel des Systems zu kennen, sondern nur durch das Lernen aus Daten.

Kurz gesagt: Sie haben eine Methode erfunden, die sagt: „Ich weiß nicht genau, wie das System funktioniert, aber basierend auf dem, was ich gesehen habe, und unter Berücksichtigung von Fehlern und bösen Absichten, kann ich dir eine sichere Zone zeichnen, in der das System mit hoher Wahrscheinlichkeit bleiben wird."

1. Problemstellung

Das Paper adressiert das Problem der Schätzung von erreichbaren Mengen (Reachable Sets) für diskrete, zeitdiskrete dynamische Systeme mit unbekannten Dynamiken.

Ziel: Bestimmung der Menge aller möglichen Zustände, die ein System über einen endlichen Zeithorizont $T$ unter unsicheren Anfangsbedingungen und Störungen erreichen kann.
Herausforderung: Herkömmliche Methoden benötigen oft exakte Modelle. In modernen Anwendungen liegen jedoch nur gesamplete Trajektorien (aus Simulationen oder Experimenten) vor.
Drei kritische Lücken in der aktuellen Literatur:
1. Fehlende Möglichkeit, einen einstellbaren Trade-off zwischen der Größe der geschätzten Menge (Enge) und der Zuverlässigkeit (Robustheit) herzustellen.
2. Mangelnde Robustheit gegenüber verfälschten oder verrauschten Trainingsdaten (adversarielle Perturbationen).
3. Fehlende Garantien, die bei Verteilungsverschiebungen (Distributional Shifts) zwischen Trainings- und Einsatzdaten graceful (kontinuierlich) degradieren, insbesondere basierend auf der Wasserstein-Distanz.

2. Methodik

Die Autoren entwickeln einen Rahmenwerk, das auf dem Scenario Approach (Szenario-Optimierung) basiert, jedoch durch Relaxierung und robuste Optimierung erweitert wird.

A. Relaxiertes Szenario-Programm mit Schlupfvariablen

Statt die Szenario-Bedingungen als harte Constraints zu behandeln, wird ein relaxiertes Optimierungsproblem formuliert:

Zielfunktion: Minimierung der Größe der erreichbaren Menge (z. B. Volumen) plus einem Strafterm für die Relaxationsvariablen $\xi_i$ .
Constraints: Die gesampleten Trajektorien müssen innerhalb der Menge liegen, dürfen jedoch durch die Variablen $\xi_i$ verletzt werden.
Parameter $\rho$ : Ein Hyperparameter, der den Trade-off steuert. Ein hohes $\rho$ bestraft Verletzungen stark (führt zu größeren Mengen für höhere Sicherheit), ein niedriges $\rho$ priorisiert kleine Mengen (führt zu engeren Schätzungen, aber höherem Risiko).

B. Adversarial Robustheit

Um Unsicherheiten in den Trainingsdaten zu berücksichtigen, wird angenommen, dass jede gesamplete Trajektorie $x^{(i)}$ durch einen adversariellen Störvektor $\delta$ innerhalb einer definierten Kugel $\mathcal{A}_{x^{(i)}}$ (z. B. $L_p$ -Norm) verfälscht sein kann.

Das Optimierungsproblem wird so erweitert, dass es für alle möglichen Perturbationen innerhalb dieser Kugel gültig sein muss.
Dies führt zu einer adversariellen Komplexität $s^*_A$ , die angibt, wie viele Trajektorien (bzw. deren Perturbationen) für die Konstruktion der Menge entscheidend sind.

C. Traktbare Konvexe Reformulierungen

Für verschiedene geometrische Formen der erreichbaren Mengen werden traktbare (konvexe) Reformulierungen des Problems hergeleitet:

$p$ -Norm-Bälle: Basierend auf Radius und Zentrum.
Ellipsoide: Basierend auf einer Transformationsmatrix und einem Verschiebungsvektor.
Zonotope: Basierend auf einem Generator-Matrix und Halbbreiten.
Diese Reformulierungen ermöglichen eine effiziente numerische Lösung.

D. Verteilungsrobustheit (Wasserstein)

Das Paper leitet eine obere Schranke für die Verletzungswahrscheinlichkeit ab, wenn sich die zugrundeliegende Wahrscheinlichkeitsverteilung der Daten beim Einsatz von der Trainingsverteilung unterscheidet.

Die Verteilungsverschiebung wird durch die 1-Wasserstein-Distanz modelliert.
Es wird gezeigt, dass die Verletzungswahrscheinlichkeit unter einer neuen Verteilung durch die ursprüngliche theoretische Schranke plus einem Term proportional zum Verhältnis von Wasserstein-Radius zu adversariellem Radius begrenzt ist.

3. Hauptbeiträge

Einstellbarer Trade-off: Einführung eines relaxierten Szenario-Programms, das durch den Parameter $\rho$ eine explizite Balance zwischen der Enge der erreichbaren Menge und der probabilistischen Garantie für zukünftige Trajektorien ermöglicht.
Adversarielle Robustheit: Integration von Ergebnissen aus der adversariell robusten Szenario-Optimierung, um Garantien auch für perturbierbare Trainingsdaten zu liefern. Es werden a posteriori probabilistische Garantien für die Einbeziehung zukünftiger Trajektorien abgeleitet.
Wasserstein-Garantien: Herleitung einer expliziten oberen Schranke für die Degradation der Garantien bei Verteilungsverschiebungen (Distributional Shifts), was die Methode für reale Anwendungen mit unsicheren Datenverteilungen robuster macht.
Geometrische Vielfalt: Bereitstellung konvexer Reformulierungen für gängige Mengenformen ( $p$ -Norm-Bälle, Ellipsoide, Zonotope), die eine effiziente Berechnung erlauben.

4. Ergebnisse und Simulationen

Die Autoren validieren ihre Theorie durch numerische Simulationen an einem stochastischen nichtlinearen System:

Robustheit gegen Ausreißer: Die Simulationen zeigen, dass durch Erhöhung von $\rho$ die geschätzten Mengen größer werden und mehr adversariell perturbierte Datenpunkte abdecken, was die Verletzungswahrscheinlichkeit senkt.
Theorie vs. Praxis: Die empirischen Verletzungswahrscheinlichkeiten lagen in allen Tests (für verschiedene Geometrien und Stichprobengrößen) stets unterhalb der theoretisch abgeleiteten oberen Schranken.
Geometrie-Vergleich: Zonotope liefern zwar engere (tighter) Mengen als Bälle oder Ellipsoide, benötigen jedoch mehr Stichproben, um dieselben theoretischen Garantien zu erreichen.
Verteilungsverschiebung: Bei Tests mit Daten, die aus einer leicht verschobenen Verteilung (Gaussian Shift) gezogen wurden, hielt die empirische Verletzungsrate die durch den Wasserstein-Term korrigierte theoretische Schranke ein.

5. Bedeutung und Fazit

Dieses Paper stellt einen bedeutenden Fortschritt in der datengesteuerten Verifikation und Sicherheit dynamischer Systeme dar.

Praktische Relevanz: Die Methode ist besonders wertvoll für Anwendungen, bei denen keine exakten Modelle vorliegen und die Trainingsdaten verrauscht oder potenziell manipuliert sein können (z. B. autonomes Fahren, Robotik).
Flexibilität: Durch den einstellbaren Parameter $\rho$ können Ingenieure die Methode an ihre spezifischen Sicherheitsanforderungen anpassen.
Theoretische Fundierung: Die Arbeit verbindet Szenario-Optimierung, robuste Optimierung und Optimal-Transport-Theorie (Wasserstein), um eine umfassende Garantiestruktur zu schaffen, die über reine Punkt-garantien hinausgeht.

Zusammenfassend bietet das Paper einen rigorosen, datengesteuerten Ansatz zur Schätzung erreichbarer Mengen, der nicht nur die Unsicherheit in den Dynamiken, sondern auch die Unsicherheit in den Daten selbst und deren Verteilung berücksichtigt.