当大数据席卷百行万企，扫尾表面也迎来新的拐点：从依赖模子到依赖数据。

然而，在数据驱动扫尾界限，却穷乏一种表率化的数据清楚体式。

针对这一问题，清华大学李升波教讲课题组（iDLab）初度将当代扫尾表面中的表率型成见引入数据驱动扫尾（datatic control）范式，建议了一种基于数据的系统态状新体式。

每个表率体式的样本由必要的升沉和可插拔的属性构成，区分用于态状系统变化端正和东谈主为界说特征。

不仅如斯，该数据表率型还可笔据算法需求定制属性，显赫加快扫尾器想象，为提高数据驱动算法效劳提供了新的念念路。

当今，该效劳已发表于 ACC2025。

从模子表率型到数据表率型

东谈主工智能的兴盛发展，离不开数据这一中枢支抓。

连年来，跟着东谈主工智能工夫的泛泛应用，以数据为中枢的系统表征递次飞速渗入到扫尾界限。

扫尾系统的想象递次正迎来一场从模子驱动向数据驱动的范式变革，即从传统的模子驱动扫尾（modelic control，即 model-driven control）到数据驱动扫尾（datatic control，即 driven control）。

图 1：两种扫尾范式对比

模子驱动扫尾（上方旅途）领先应用系统辨识来拟合一个模子，然后用这个模子来合成扫尾器。

数据驱动扫尾（下方旅途）则径直应用数据来求解扫尾器。

在模子驱动扫尾（modelic control）的范式下，模子的表率型是一个有劲用具。

举例，当代扫尾表面的奠基东谈主鲁谈夫 · 卡尔曼（Rudolf E. K á lm á n）指出：将现象空间模子清楚为可控表率型或可不雅表率型，无需罕见的判断门径即可径直确保系统的可控性或可不雅性。

此外，当代群论的奠基东谈主之一卡米耶 · 若尔当（Camille Jordan）指出：任何现象空间模子齐不错休养为约旦表率型，系统矩阵会变为对角方阵，其对角线元素代表系统的特征值。

因此，只需检讨总计特征值是否为负，即可简短考据系统的褂讪性。更进一步，不同的特征值对应着系统不同的模态，这使得扫尾器想象更具针对性。

数据驱动扫尾（datatic control）范式下的表率型是一个新问题。

连年来，跟着机器东谈主、自动驾驶等具身智能系统的兴盛发展，海量、复杂的交互数据正昔日所未有的速率被生成。这不仅为传统扫尾算法带来了渊博挑战，也引出了一个全新的议题：

在数据驱动扫尾范式下，怎样构建一个灵验应用大范畴数据的表率态状花式？就是否存在数据驱动版块的表率型？

数据的态状体式径直决定了后续扫尾器设狡计法的启动效劳和可推广性。

以强化学习为例，锤真金不怕火算法经常波及普遍的迭代狡计和高维数据贬责。

在这也曾过中，算法很容易堕入访佛狡计的泥潭，举例在每一步锤真金不怕火迭代中，齐从头狡计样本间的范数距离、特征雷同度等信息。

这种访佛性的狡计不仅耗时，何况对狡计资源变成了显赫的花消，严重制约了算法在践诺全国中的部署和应用。

因此，怎样高效、表率地组织和态状数据，以减少冗余狡计、加快算法启动，是数据驱动扫尾范式濒临的一项中枢挑战。

类比于模子表率型，该盘算初度建议，适用于数据驱动扫尾系统的表率态状体式：每条样本数据包含两个部分（如图 2 所示）：

△图 2：数据表率型暗示图

（1）必要的升沉部分，即；

（2）可插拔的属性部分，举例奖励信号或其他东谈主工想象特征。

前者蕴含了扫尾器想象必要的系统的能源学信息，后者不错笔据扫尾器设狡计法的需求来生动定制与取用，假造存储压力，加快算法启动，即提高扫尾器想象效劳。

仿果真例

该盘算给出了一个典型的数据表率型应用实例。关于给定数据集，为了使得想象出的扫尾器效果可靠，很多强化学习算法存在隔邻搜索的需求。

举例给定回放的样本现象，算法需要在线狡计现时战术的动作与数据集动作之间的距离：

由于需要遍历数据纠合每个样原来寻找最隔邻，狡计背负至极千里重。

在数据表率型的视角下，关于每个样本，不错通过提前定制一种畸形的空间属性，显赫加快隔邻搜索这也曾过。

具体地，如图 3 所示，提前在样本空间中商定 n 个锚点，关于每个样本，狡计其与各锚点的距离保存为空间属性。

△图 3: 表率型的空间属性暗示图

当每个样本齐具备空间属性后，该盘算给出如下空间筛选条目定理来加快隔邻搜索。

定理 1（空间筛选条目）

研讨一个包含个锚点的数据集。记 C 为一个采用的样本，而 S 为任性其他样本。若 S 位于 C 的 R- 邻域范围内，则一个需要得志的必要条目为：

其中清楚清楚逻辑与运算符。

△图 4：空间表率型的空间筛选机制暗示图

应用这一空间筛选条目，只需要一溜判断提醒，就不错快速消弱候选范围（如图 4 所示），显赫加快最隔邻搜索的经过，从而提高算法的举座启动效劳。

该盘算在 D4RL 数据集的 Hopper 环境下进行了实验，对引入空间表率型前后的锤真金不怕火时辰进行了比拟。

图 5 明晰地展示了这一窜改：基础版块（蓝色弧线）的锤真金不怕火耗时约 20 小时，而应用了空间表率型筛选机制（橙色弧线）后，锤真金不怕火时辰裁汰至仅 7 小时，完结了三倍的效劳擢升。

△图 5：应用空间表率型前后的锤真金不怕火时辰对比

总的来说，数据表率型不错极小的存储空间支出，相易显赫的时辰效劳上风。

除此除外，它还不错笔据算法需求生动插拔属性部分来假造存储需求，具备推广性，为提高数据驱动扫尾算法效劳提供了新的标的。

论文贯穿：https://ieeexplore.ieee.org/document/11107988

一键三连「点赞」「转发」「提神心」

接待在挑剔区留住你的目标！

—  完  —

� � 点亮星标 � �

科技前沿发扬逐日见体育游戏app平台