Buchumschlag

Towards a Framework for Deep Learning Certification in Safety-Critical Applications Using Inherently Safe Design and Run-Time Error Detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Valentin, Romeo
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Recipes for Calibration Checks in Safety-Critical Applications
von: Valentin, Romeo
Veröffentlicht: (2026)

Error Bounds For Gaussian Process Regression Under Bounded Support Noise With Applications To Safety Certification
von: Reed, Robert, et al.
Veröffentlicht: (2024)

Certificated Actor-Critic: Hierarchical Reinforcement Learning with Control Barrier Functions for Safe Navigation
von: Xie, Junjun, et al.
Veröffentlicht: (2025)

Deep Actor-Critics with Tight Risk Certificates
von: Tasdighi, Bahareh, et al.
Veröffentlicht: (2025)

Uniformly Safe RL with Objective Suppression for Multi-Constraint Safety-Critical Applications
von: Zhou, Zihan, et al.
Veröffentlicht: (2024)

Myopically Verifiable Probabilistic Certificates for Safe Control and Learning
von: Wang, Zhuoyuan, et al.
Veröffentlicht: (2024)

Adaptive Opponent Policy Detection in Multi-Agent MDPs: Real-Time Strategy Switch Identification Using Running Error Estimation
von: Mridul, Mohidul Haque, et al.
Veröffentlicht: (2024)

A Safety Modulator Actor-Critic Method in Model-Free Safe Reinforcement Learning and Application in UAV Hovering
von: Qi, Qihan, et al.
Veröffentlicht: (2024)

The Role of Inherent Bellman Error in Offline Reinforcement Learning with Linear Function Approximation
von: Golowich, Noah, et al.
Veröffentlicht: (2024)

Reinforcement Learning with Ensemble Model Predictive Safety Certification
von: Gronauer, Sven, et al.
Veröffentlicht: (2024)

Safety Pretraining: Toward the Next Generation of Safe AI
von: Maini, Pratyush, et al.
Veröffentlicht: (2025)

Deep Transfer Learning: Model Framework and Error Analysis
von: Jiao, Yuling, et al.
Veröffentlicht: (2024)

Learning Safe Autonomous Driving Policies Using Predictive Safety Representations
von: Keswani, Mahesh, et al.
Veröffentlicht: (2025)

Towards a Certificate of Trust: Task-Aware OOD Detection for Scientific AI
von: Raonić, Bogdan, et al.
Veröffentlicht: (2025)

Safe But Not Sorry: Reducing Over-Conservatism in Safety Critics via Uncertainty-Aware Modulation
von: Bethell, Daniel, et al.
Veröffentlicht: (2025)

PROSAC: Provably Safe Certification for Machine Learning Models under Adversarial Attacks
von: Feng, Chen, et al.
Veröffentlicht: (2024)

Inherently Interpretable Tree Ensemble Learning
von: Yang, Zebin, et al.
Veröffentlicht: (2024)

Inherently Interpretable Time Series Classification via Multiple Instance Learning
von: Early, Joseph, et al.
Veröffentlicht: (2023)

FL-GUARD: A Holistic Framework for Run-Time Detection and Recovery of Negative Federated Learning
von: Lin, Hong, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning for Time-Critical Wilderness Search And Rescue Using Drones
von: Ewers, Jan-Hendrik, et al.
Veröffentlicht: (2024)

Data-Driven Permissible Safe Control with Barrier Certificates
von: Mazouz, Rayan, et al.
Veröffentlicht: (2024)

Data-Aware Training Quality Monitoring and Certification for Reliable Deep Learning
von: Yeganegi, Farhang, et al.
Veröffentlicht: (2024)

Uniform Error Bounds for Gaussian Process Regression with Application to Safe Control
von: Lederer, Armin, et al.
Veröffentlicht: (2019)

On Safety in Safe Bayesian Optimization
von: Fiedler, Christian, et al.
Veröffentlicht: (2024)

Efficient Error Certification for Physics-Informed Neural Networks
von: Eiras, Francisco, et al.
Veröffentlicht: (2023)

Reinforcement Learning with Adaptive Regularization for Safe Control of Critical Systems
von: Tian, Haozhe, et al.
Veröffentlicht: (2024)

Unifying Runtime Monitoring Approaches for Safety-Critical Machine Learning: Application to Vision-Based Landing
von: Dario, Mathieu, et al.
Veröffentlicht: (2026)

LexiSafe: Offline Safe Reinforcement Learning with Lexicographic Safety-Reward Hierarchy
von: Yang, Hsin-Jung, et al.
Veröffentlicht: (2026)

GPU-Fuzz: Finding Memory Errors in Deep Learning Frameworks
von: Li, Zihao, et al.
Veröffentlicht: (2026)

A Novel Multimodal Framework for Early Detection of Alzheimers Disease Using Deep Learning
von: Nagarhalli, Tatwadarshi P, et al.
Veröffentlicht: (2025)

Safe Reinforcement Learning with Learned Non-Markovian Safety Constraints
von: Low, Siow Meng, et al.
Veröffentlicht: (2024)

Learning Run-time Safety Monitors for Machine Learning Components
von: Vardal, Ozan, et al.
Veröffentlicht: (2024)

Safety through Permissibility: Shield Construction for Fast and Safe Reinforcement Learning
von: Politowicz, Alexander, et al.
Veröffentlicht: (2024)

Latent Safety-Constrained Policy Approach for Safe Offline Reinforcement Learning
von: Koirala, Prajwal, et al.
Veröffentlicht: (2024)

Data-Driven Distributionally Robust Safety Verification Using Barrier Certificates and Conditional Mean Embeddings
von: Schön, Oliver, et al.
Veröffentlicht: (2024)

Reinfier and Reintrainer: Verification and Interpretation-Driven Safe Deep Reinforcement Learning Frameworks
von: Yang, Zixuan, et al.
Veröffentlicht: (2024)

Adversarially Trained Weighted Actor-Critic for Safe Offline Reinforcement Learning
von: Wei, Honghao, et al.
Veröffentlicht: (2024)

Simplifying Momentum-based Positive-definite Submanifold Optimization with Applications to Deep Learning
von: Lin, Wu, et al.
Veröffentlicht: (2023)

Safe Langevin Soft Actor Critic
von: Keswani, Mahesh, et al.
Veröffentlicht: (2026)

SafeAug: Safety-Critical Driving Data Augmentation from Naturalistic Datasets
von: Mo, Zhaobin, et al.
Veröffentlicht: (2025)