Buchumschlag

Safe exploration in reproducing kernel Hilbert spaces

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tokmak, Abdullah, Krishnan, Kiran G., Schön, Thomas B., Baumann, Dominik
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Systems and Control Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Safe Bayesian optimization across noise models via scenario programming
von: Tokmak, Abdullah, et al.
Veröffentlicht: (2025)

Safe learning-based control via function-based uncertainty quantification
von: Tokmak, Abdullah, et al.
Veröffentlicht: (2026)

Towards safe control parameter tuning in distributed multi-agent systems
von: Tokmak, Abdullah, et al.
Veröffentlicht: (2025)

PACSBO: Probably approximately correct safe Bayesian optimization
von: Tokmak, Abdullah, et al.
Veröffentlicht: (2024)

Automatic nonlinear MPC approximation with closed-loop guarantees
von: Tokmak, Abdullah, et al.
Veröffentlicht: (2023)

A universal reproducing kernel Hilbert space for learning nonlinear systems operators
von: Lazar, Mircea
Veröffentlicht: (2024)

Towards safe Bayesian optimization with Wiener kernel regression
von: Molodchyk, Oleksii, et al.
Veröffentlicht: (2024)

Safe Gradient Flow for Bilevel Optimization
von: Sharifi, Sina, et al.
Veröffentlicht: (2025)

Safe Online Control-Informed Learning
von: Zhou, Tianyu, et al.
Veröffentlicht: (2025)

Data-Driven Stochastic Optimal Control in Reproducing Kernel Hilbert Spaces
von: Hoischen, Nicolas, et al.
Veröffentlicht: (2024)

Safely Learning Dynamical Systems
von: Ahmadi, Amir Ali, et al.
Veröffentlicht: (2023)

Fixed Horizon Linear Quadratic Covariance Steering in Continuous Time with Hilbert-Schmidt Terminal Cost
von: Sial, Tushar, et al.
Veröffentlicht: (2025)

Finite-Sample-Based Reachability for Safe Control with Gaussian Process Dynamics
von: Prajapat, Manish, et al.
Veröffentlicht: (2025)

Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions
von: Castañeda, Fernando, et al.
Veröffentlicht: (2022)

Optimal Parameter Adaptation for Safety-Critical Control via Safe Barrier Bayesian Optimization
von: Wang, Shengbo, et al.
Veröffentlicht: (2025)

Neural Network-assisted Interval Reachability for Systems with Control Barrier Function-Based Safe Controllers
von: Ajeyemi, Damola, et al.
Veröffentlicht: (2025)

Safe Guaranteed Exploration for Non-linear Systems
von: Prajapat, Manish, et al.
Veröffentlicht: (2024)

Risk-Aware Safe Reinforcement Learning for Control of Stochastic Linear Systems
von: Esmaeili, Babak, et al.
Veröffentlicht: (2025)

ShieldNN: A Provably Safe NN Filter for Unsafe NN Controllers
von: Ferlez, James, et al.
Veröffentlicht: (2020)

Safe and Near-Optimal Control with Online Dynamics Learning
von: Prajapat, Manish, et al.
Veröffentlicht: (2025)

Safe and Robust Domains of Attraction for Discrete-Time Systems: A Set-Based Characterization and Certifiable Neural Network Estimation
von: Serry, Mohamed, et al.
Veröffentlicht: (2026)

System-level Safety Guard: Safe Tracking Control through Uncertain Neural Network Dynamics Models
von: Li, Xiao, et al.
Veröffentlicht: (2023)

Provably Safe Generative Sampling with Constricting Barrier Functions
von: Gadginmath, Darshan, et al.
Veröffentlicht: (2026)

Observability conditions for neural state-space models with eigenvalues and their roots of unity
von: Gracyk, Andrew
Veröffentlicht: (2025)

Differentiable Model Predictive Control on the GPU
von: Adabag, Emre, et al.
Veröffentlicht: (2025)

Jointly Computation- and Communication-Efficient Distributed Learning
von: Ren, Xiaoxing, et al.
Veröffentlicht: (2025)

Communication-Efficient Stochastic Distributed Learning
von: Ren, Xiaoxing, et al.
Veröffentlicht: (2025)

Koopman Data-Driven Predictive Control with Robust Stability and Recursive Feasibility Guarantees
von: de Jong, Thomas, et al.
Veröffentlicht: (2024)

Dynamic financial processes identification using sparse regressive reservoir computers
von: Vides, Fredy, et al.
Veröffentlicht: (2023)

Identifying Systems with Symmetries using Equivariant Autoregressive Reservoir Computers
von: Vides, Fredy, et al.
Veröffentlicht: (2023)

Tuning the burn-in phase in training recurrent neural networks improves their performance
von: Schiller, Julian D., et al.
Veröffentlicht: (2026)

Intersection of Reinforcement Learning and Bayesian Optimization for Intelligent Control of Industrial Processes: A Safe MPC-based DPG using Multi-Objective BO
von: Esfahani, Hossein Nejatbakhsh, et al.
Veröffentlicht: (2025)

Convex Hulls of Reachable Sets
von: Lew, Thomas, et al.
Veröffentlicht: (2023)

Taming "data-hungry" reinforcement learning? Stability in continuous state-action spaces
von: Duan, Yaqi, et al.
Veröffentlicht: (2024)

Quasi-Newton Compatible Actor-Critic for Deterministic Policies
von: Kordabad, Arash Bahari, et al.
Veröffentlicht: (2025)

Boosting-Enabled Robust System Identification of Partially Observed LTI Systems Under Heavy-Tailed Noise
von: Kanakeri, Vinay, et al.
Veröffentlicht: (2025)

Mutual Information Optimal Control of Discrete-Time Linear Systems
von: Enami, Shoju, et al.
Veröffentlicht: (2025)

Sequential QCQP for Bilevel Optimization with Line Search
von: Sharifi, Sina, et al.
Veröffentlicht: (2025)

End-to-End Learning Framework for Solving Non-Markovian Optimal Control
von: Zhang, Xiaole, et al.
Veröffentlicht: (2025)

Explore-then-Commit for Nonstationary Linear Bandits with Latent Dynamics
von: Choi, Sunmook, et al.
Veröffentlicht: (2025)