Fugu-MT 論文翻訳(概要): SELM: Software Engineering of Machine Learning Models

論文の概要: SELM: Software Engineering of Machine Learning Models

arxiv url: http://arxiv.org/abs/2103.11249v1
Date: Sat, 20 Mar 2021 21:43:24 GMT
ステータス: 処理完了
システム内更新日: 2021-03-25 10:33:20.123446
Title: SELM: Software Engineering of Machine Learning Models
Title（参考訳）: SELM: 機械学習モデルのソフトウェア工学
Authors: Nafiseh Jafari, Mohammad Reza Besharati, Mohammad Izadi, Maryam Hourali
Abstract要約: 本稿では,機械学習モデルのソフトウェア工学のためのSELMフレームワークについて述べる。 SELMフレームワークを使うことで、機械学習プロセスの効率を改善し、学習の精度を高めることができる。この問題は、機械学習に対する学際的アプローチの重要性を強調している。
参考スコア（独自算出の注目度）: 0.19116784879310023
License: http://creativecommons.org/licenses/by/4.0/
Abstract: One of the pillars of any machine learning model is its concepts. Using software engineering, we can engineer these concepts and then develop and expand them. In this article, we present a SELM framework for Software Engineering of machine Learning Models. We then evaluate this framework through a case study. Using the SELM framework, we can improve a machine learning process efficiency and provide more accuracy in learning with less processing hardware resources and a smaller training dataset. This issue highlights the importance of an interdisciplinary approach to machine learning. Therefore, in this article, we have provided interdisciplinary teams' proposals for machine learning.
Abstract（参考訳）: あらゆる機械学習モデルの柱の1つは、その概念である。ソフトウェアエンジニアリングを使用することで、これらの概念を設計し、開発と拡張が可能になります。本稿では,機械学習モデルのソフトウェア工学のためのSELMフレームワークについて述べる。そして、この枠組みをケーススタディを通じて評価する。 SELMフレームワークを使うことで、機械学習プロセスの効率を改善し、より少ない処理ハードウェアリソースとより少ないトレーニングデータセットで学習の精度を高めることができる。この問題は、機械学習に対する学際的アプローチの重要性を強調している。そこで本稿では,機械学習に関する学際的チームの提案について述べる。

関連論文リスト

Towards a Domain-Specific Modelling Environment for Reinforcement Learning [0.13124513975412253]
ドメイン固有のモデリング環境を開発するために、モデル駆動工学(MDE)手法とツールを使用します。我々は、機械学習領域からの強化学習を目標とし、提案言語である強化学習モデリング言語(RLML)の評価を行った。このツールは構文指向の編集、制約チェック、RLMLモデルからのコードの自動生成をサポートする。
論文参考訳（メタデータ） (2024-10-12T04:56:01Z)
Application-Driven Innovation in Machine Learning [56.85396167616353]
機械学習におけるアプリケーション駆動研究のパラダイムについて述べる。このアプローチがメソッド駆動の作業と生産的に相乗効果を示す。このようなメリットにもかかわらず、マシンラーニングにおけるレビュー、採用、教育のプラクティスが、アプリケーション主導のイノベーションを後押しすることが多いことに気付きます。
論文参考訳（メタデータ） (2024-03-26T04:59:27Z)
Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文参考訳（メタデータ） (2024-01-11T15:02:15Z)
Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。 Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
論文参考訳（メタデータ） (2022-01-29T01:03:29Z)
An Experience Report on Machine Learning Reproducibility: Guidance for Practitioners and TensorFlow Model Garden Contributors [1.177923904173852]
本報告では,最先端の機械学習モデルをモデルガーデンに組み込むのに適した品質で再現するプロセスを定義する。我々は26人の学生からなるチームでYOLOモデルファミリの実装経験を報告し、開発したツールを共有し、その過程で学んだ教訓を説明する。
論文参考訳（メタデータ） (2021-07-02T04:32:18Z)
Pairing Conceptual Modeling with Machine Learning [1.7767466724342065]
機械学習の基礎と開発サイクルの概要を提供する。データサイエンスプロジェクトに概念モデリングを組み込むためのフレームワークを提案する。逆ペアリングでは、機械学習は、知識グラフだけでなく、テキストやルールマイニングを通じて概念モデリングに影響を与える可能性がある。
論文参考訳（メタデータ） (2021-06-27T15:06:59Z)
Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文参考訳（メタデータ） (2021-01-11T15:54:48Z)
Integrating Machine Learning with Physics-Based Modeling [17.392391163553334]
この記事では、幅広い関心事の1つに焦点を当てる。機械学習と物理に基づくモデリングをどのように統合できるのか? 機械学習に基づく物理モデルを開発する上で最も重要な2つの課題について論じる。最終的には、この統合がどこに導くのか、そして機械学習が科学的モデリングにうまく統合された後、新たなフロンティアがどこにあるのか、という一般的な議論で終わります。
論文参考訳（メタデータ） (2020-06-04T02:35:10Z)
Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文参考訳（メタデータ） (2020-05-27T11:56:56Z)
Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。