論文の概要: Reliability Analysis of Artificial Intelligence Systems Using Recurrent
Events Data from Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2102.01740v1
- Date: Tue, 2 Feb 2021 20:25:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 17:23:59.001994
- Title: Reliability Analysis of Artificial Intelligence Systems Using Recurrent
Events Data from Autonomous Vehicles
- Title(参考訳): 自動走行車からのイベントデータを用いた人工知能システムの信頼性解析
- Authors: Yili Hong and Jie Min and Caleb B. King and William Q. Meeker
- Abstract要約: 我々は、自動運転車におけるAIシステムの信頼性の表現として、リカレントな切り離しイベントを使用している。
イベント・プロセスを記述するために,モノトニック・スプラインに基づく新しい非パラメトリック・モデルを提案する。
- 参考スコア(独自算出の注目度): 2.7515565752659645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) systems have become increasingly common and the
trend will continue. Examples of AI systems include autonomous vehicles (AV),
computer vision, natural language processing, and AI medical experts. To allow
for safe and effective deployment of AI systems, the reliability of such
systems needs to be assessed. Traditionally, reliability assessment is based on
reliability test data and the subsequent statistical modeling and analysis. The
availability of reliability data for AI systems, however, is limited because
such data are typically sensitive and proprietary. The California Department of
Motor Vehicles (DMV) oversees and regulates an AV testing program, in which
many AV manufacturers are conducting AV road tests. Manufacturers participating
in the program are required to report recurrent disengagement events to
California DMV. This information is being made available to the public. In this
paper, we use recurrent disengagement events as a representation of the
reliability of the AI system in AV, and propose a statistical framework for
modeling and analyzing the recurrent events data from AV driving tests. We use
traditional parametric models in software reliability and propose a new
nonparametric model based on monotonic splines to describe the event process.
We develop inference procedures for selecting the best models, quantifying
uncertainty, and testing heterogeneity in the event process. We then analyze
the recurrent events data from four AV manufacturers, and make inferences on
the reliability of the AI systems in AV. We also describe how the proposed
analysis can be applied to assess the reliability of other AI systems.
- Abstract(参考訳): 人工知能(AI)システムはますます一般的になり、トレンドは続きます。
AIシステムの例としては、自動運転車(AV)、コンピュータビジョン、自然言語処理、AI医療専門家などがある。
安全かつ効果的なAIシステムのデプロイを可能にするためには、そのようなシステムの信頼性を評価する必要がある。
従来、信頼性評価は信頼性テストデータとそれに続く統計モデリングと分析に基づいている。
しかし、AIシステムのための信頼性データの可用性は、そのようなデータが通常敏感でプロプライエタリであるため、制限されます。
カリフォルニア州自動車局(DMV)は、多くのAVメーカーがAVロードテストを行っているAVテストプログラムを監督および規制しています。
プログラムに参加するメーカーは、カリフォルニア州のDMVに繰り返しの離脱イベントを報告する必要があります。
この情報は一般に公開されています。
本稿では、AVにおけるAIシステムの信頼性の表現としてリカレントデエンゲージメントイベントを使用し、AV駆動テストからリカレントイベントデータをモデル化・解析するための統計フレームワークを提案する。
ソフトウェア信頼性には従来のパラメトリックモデルを用い,イベントプロセスを記述するために単調スプラインに基づく新しい非パラメトリックモデルを提案する。
我々は,最良モデルの選択,不確かさの定量化,イベントプロセスにおける不均一性の検証のための推論手順を開発した。
次に、4つのAVメーカから繰り返し発生するイベントデータを解析し、AV内のAIシステムの信頼性を推測する。
また,提案分析を他のaiシステムの信頼性評価に適用する方法について述べる。
関連論文リスト
- Planning Reliability Assurance Tests for Autonomous Vehicles [5.590179847470922]
AI技術の1つの重要な応用は、自動運転車(AV)の開発である。
保証テストの計画を立てるには、どのくらいのAVをテストする必要があるか、テストに合格する基準を定める必要がある。
本稿では,連続イベントデータに基づくAV信頼性保証試験の統計的手法を提案する。
論文 参考訳(メタデータ) (2023-11-30T20:48:20Z) - PEM: Perception Error Model for Virtual Testing of Autonomous Vehicles [20.300846259643137]
この記事では、知覚エラーモデル(PEM)を定義します。
PEMは仮想シミュレーションコンポーネントであり、知覚誤差がAV安全性に与える影響を分析することができる。
我々は、カメラ、LiDAR、カメラ-LiDARのセットアップを評価することにより、PEMベースの仮想テストの有用性を実証する。
論文 参考訳(メタデータ) (2023-02-23T10:54:36Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-16T06:28:20Z) - Never trust, always verify : a roadmap for Trustworthy AI? [12.031113181911627]
我々はAIベースのシステムのコンテキストにおける信頼を検証し、AIシステムが信頼に値するものとなることの意味を理解する。
我々は、AIに対する信頼(resp. zero-trust)モデルを提案し、AIシステムの信頼性を保証するために満足すべき特性のセットを提案する。
論文 参考訳(メタデータ) (2022-06-23T21:13:10Z) - Robust Semi-supervised Federated Learning for Images Automatic
Recognition in Internet of Drones [57.468730437381076]
プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。
異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。
本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
論文 参考訳(メタデータ) (2022-01-03T16:49:33Z) - Statistical Perspectives on Reliability of Artificial Intelligence
Systems [6.284088451820049]
AIシステムの信頼性に関する統計的視点を提供する。
本稿では,AI信頼性研究のためのSMART統計フレームワークを提案する。
我々は、AI信頼性のモデリングと分析における最近の発展について論じる。
論文 参考訳(メタデータ) (2021-11-09T20:00:14Z) - Disengagement Cause-and-Effect Relationships Extraction Using an NLP
Pipeline [14.708195642446716]
カリフォルニア州自動車局(CA DMV)は自動運転車テストプログラムを開始した。
このプログラムは、自律走行から自律走行(AVD)に関するレポートを収集し、リリースする。
本研究は,事前学習モデルを用いた深層移動学習の実践として成功し,統合された解離データベースを生成する。
論文 参考訳(メタデータ) (2021-11-05T14:00:59Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳(メタデータ) (2021-07-28T10:28:05Z) - Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。
NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。
本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
論文 参考訳(メタデータ) (2020-11-03T01:46:35Z) - Trustworthy AI [75.99046162669997]
入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。
我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
論文 参考訳(メタデータ) (2020-11-02T20:04:18Z) - An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear
Analysis [68.8204255655161]
人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。
シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
論文 参考訳(メタデータ) (2020-07-14T15:47:37Z)
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。