論文の概要: Machine Learning for Reliability Engineering and Safety Applications:
Review of Current Status and Future Opportunities
- arxiv url: http://arxiv.org/abs/2008.08221v1
- Date: Wed, 19 Aug 2020 02:08:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 08:39:53.297131
- Title: Machine Learning for Reliability Engineering and Safety Applications:
Review of Current Status and Future Opportunities
- Title（参考訳）: 信頼性工学と安全アプリケーションのための機械学習:現状と今後の展望
- Authors: Zhaoyi Xu, Joseph Homer Saleh
- Abstract要約: 機械学習(ML)は、ますます多くの学術分野や産業に浸透している。
信頼性と安全性のためのMLには、すでに大きなが断片化された文献がある。
MLは信頼性と安全性のアプリケーションにおいて重要な課題を解決するための、新たな洞察と機会を提供することができる、と我々は主張する。
- 参考スコア（独自算出の注目度）: 1.2183405753834562
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) pervades an increasing number of academic disciplines
and industries. Its impact is profound, and several fields have been
fundamentally altered by it, autonomy and computer vision for example;
reliability engineering and safety will undoubtedly follow suit. There is
already a large but fragmented literature on ML for reliability and safety
applications, and it can be overwhelming to navigate and integrate into a
coherent whole. In this work, we facilitate this task by providing a synthesis
of, and a roadmap to this ever-expanding analytical landscape and highlighting
its major landmarks and pathways. We first provide an overview of the different
ML categories and sub-categories or tasks, and we note several of the
corresponding models and algorithms. We then look back and review the use of ML
in reliability and safety applications. We examine several publications in each
category/sub-category, and we include a short discussion on the use of Deep
Learning to highlight its growing popularity and distinctive advantages.
Finally, we look ahead and outline several promising future opportunities for
leveraging ML in service of advancing reliability and safety considerations.
Overall, we argue that ML is capable of providing novel insights and
opportunities to solve important challenges in reliability and safety
applications. It is also capable of teasing out more accurate insights from
accident datasets than with traditional analysis tools, and this in turn can
lead to better informed decision-making and more effective accident prevention.
- Abstract（参考訳）: 機械学習(ml)は、多くの学術分野や産業にまたがっている。
その影響は深く、いくつかの分野は、例えば自律性とコンピュータビジョンによって根本的に変更されている。
mlには、信頼性と安全性のアプリケーションのための、大きくて断片化された文献がすでに存在しており、コヒーレントな全体へのナビゲートと統合は圧倒的です。
本研究では,この解析的景観の合成とロードマップを提供し,その主要なランドマークと経路を強調することで,この課題を促進させる。
まず、さまざまなmlカテゴリとサブカテゴリやタスクの概要を説明し、対応するモデルやアルゴリズムをいくつか紹介する。
次に、信頼性と安全性のアプリケーションにおけるMLの使用を振り返り、レビューします。
カテゴリ/サブカテゴリごとにいくつかの出版物を調査し,その人気と特徴的優位性を強調する深層学習の利用に関する簡単な議論を含む。
最後に,信頼性と安全性を向上する上で,MLを活用した将来有望ないくつかの機会について概説する。
全体として、mlは信頼性と安全性のアプリケーションにおいて重要な課題を解決するための新しい洞察と機会を提供することができると主張している。
また、従来の分析ツールよりも事故データセットからより正確な洞察を得ることができ、その結果、より情報に富んだ意思決定とより効果的な事故防止につながる可能性がある。
関連論文リスト
- Multimodal Situational Safety [73.63981779844916]
マルチモーダル・シチュエーション・セーフティ(Multimodal situational Safety)と呼ばれる新しい安全課題の評価と分析を行う。
MLLMが言語やアクションを通じても安全に応答するためには、言語クエリが対応する視覚的コンテキスト内での安全性への影響を評価する必要があることが多い。
我々は,現在のMLLMの状況安全性能を評価するためのマルチモーダル状況安全ベンチマーク(MSSBench)を開発した。
論文 参考訳（メタデータ） (2024-10-08T16:16:07Z) - Unbridled Icarus: A Survey of the Potential Perils of Image Inputs in Multimodal Large Language Model Security [5.077261736366414]
強力なMLLMのような信頼性の高いAIシステムの追求は、現代研究の重要な領域として現れている。
本稿では,画像モダリティのMLLMへの導入に伴う多面的リスクの軽減に努める。
論文 参考訳（メタデータ） (2024-04-08T07:54:18Z) - Safety of Multimodal Large Language Models on Images and Texts [33.97489213223888]
本稿では,MLLMの安全性の評価,攻撃,防衛に関する現在の取り組みを,画像やテキスト上で体系的に調査する。
MLLMの安全性を評価するための評価データセットと指標について概説する。
次に,MLLMの安全性に関する攻撃・防御技術について概説する。
論文 参考訳（メタデータ） (2024-02-01T05:57:10Z) - ChatSOS: LLM-based knowledge Q&A system for safety engineering [0.0]
本研究では,LLMに基づく安全工学のQ&Aシステムを導入し,モデルの理解と応答精度を向上させる。
我々は、外部知識データベースを組み込むために、即時エンジニアリングを採用し、LLMを最新かつ信頼性の高い情報で強化する。
以上の結果から,外部知識の統合は,奥行き問題解析や自律的なタスク割り当てにおいて,LLMの能力を大幅に向上させることが示唆された。
論文 参考訳（メタデータ） (2023-12-14T03:25:23Z) - Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。
LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。
適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
論文 参考訳（メタデータ） (2023-11-28T03:13:09Z) - The Dark Side: Security Concerns in Machine Learning for EDA [29.20366952640125]
多くの前例のない効率的なEDA手法が機械学習(ML)技術によって実現されている。
MLは回路設計において大きな可能性を示しているが、セキュリティ問題に関する暗黒面はほとんど議論されていない。
本稿では,ML for EDAにおけるすべてのセキュリティ問題について,包括的かつ公平に概説する。
論文 参考訳（メタデータ） (2022-03-20T16:44:25Z) - Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。
一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。
我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
論文 参考訳（メタデータ） (2021-06-09T05:56:42Z) - Inspect, Understand, Overcome: A Survey of Practical Methods for AI
Safety [54.478842696269304]
安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。
近年,これらの安全対策を目的とした最先端技術動物園が出現している。
本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
論文 参考訳（メタデータ） (2021-04-29T09:54:54Z) - Understanding the Usability Challenges of Machine Learning In
High-Stakes Decision Making [67.72855777115772]
機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。
多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。
児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
論文 参考訳（メタデータ） (2021-03-02T22:50:45Z) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳（メタデータ） (2020-10-19T13:09:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。