論文の概要: A Review on Oracle Issues in Machine Learning
- arxiv url: http://arxiv.org/abs/2105.01407v1
- Date: Tue, 4 May 2021 10:41:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 17:27:00.568569
- Title: A Review on Oracle Issues in Machine Learning
- Title(参考訳): 機械学習におけるoracleの課題のレビュー
- Authors: Diogo Seca
- Abstract要約: oracleはデータであり、データが機械学習がモデル化しようとする問題の正しい表現であるとは限らない。
機械学習におけるオラクル問題と、これらの問題に対処するための最先端のソリューションについて調査する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning contrasts with traditional software development in that the
oracle is the data, and the data is not always a correct representation of the
problem that machine learning tries to model. We present a survey of the oracle
issues found in machine learning and state-of-the-art solutions for dealing
with these issues. These include lines of research for differential testing,
metamorphic testing, and test coverage. We also review some recent improvements
to robustness during modeling that reduce the impact of oracle issues, as well
as tools and frameworks for assisting in testing and discovering issues
specific to the dataset.
- Abstract(参考訳): 機械学習は、oracleがデータであり、データが機械学習がモデル化しようとする問題の正しい表現であるとは限らないという、従来のソフトウェア開発とは対照的である。
機械学習におけるオラクル問題と、これらの問題に対処するための最先端ソリューションについて調査する。
これには、ディファレンシャルテスト、メタモルフィックテスト、テストカバレッジに関する一連の研究が含まれる。
また、私たちは、オラクルの問題の影響を減らすモデリング中の堅牢性に対する最近の改善や、データセット固有の問題のテストや発見を支援するツールやフレームワークについてもレビューしています。
関連論文リスト
- Learning Objective-Specific Active Learning Strategies with Attentive
Neural Processes [72.75421975804132]
学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。
能動学習問題の対称性と独立性を利用した新しい分類法を提案する。
私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文 参考訳(メタデータ) (2023-09-11T14:16:37Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳(メタデータ) (2023-06-06T10:18:36Z) - Modelling Concurrency Bugs Using Machine Learning [0.0]
このプロジェクトは、一般的な機械学習アプローチと最近の機械学習アプローチを比較することを目的としている。
我々は、実生活(同時)プログラムをシミュレートする範囲で生成する合成データセットを定義する。
各種機械学習モデルモデルの基本的な限界に関する仮説を定式化する。
論文 参考訳(メタデータ) (2023-05-08T17:30:24Z) - GLUECons: A Generic Benchmark for Learning Under Constraints [102.78051169725455]
本研究では,自然言語処理とコンピュータビジョンの分野における9つのタスクの集合であるベンチマークを作成する。
外部知識を制約としてモデル化し、各タスクの制約のソースを特定し、これらの制約を使用するさまざまなモデルを実装します。
論文 参考訳(メタデータ) (2023-02-16T16:45:36Z) - Software Testing for Machine Learning [13.021014899410684]
機械学習は騙されやすいことが示され、エラーや致命的な失敗に至る。
この状況は、特に安全クリティカルな応用において機械学習が広く使われていることを疑問視している。
この要約では、機械学習のためのソフトウェアテストの現状について論じる。
論文 参考訳(メタデータ) (2022-04-30T08:47:10Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳(メタデータ) (2021-04-11T12:14:04Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳(メタデータ) (2020-12-21T15:07:19Z) - Pitfalls in Machine Learning Research: Reexamining the Development Cycle [13.752754339302461]
我々は,アルゴリズム設計からデータ収集,モデル評価に至るまで,機械学習プロセスに従う。
ケーススタディでは、これらの落とし穴が実際にどのように発生し、どのように改善されるかを強調しています。
論文 参考訳(メタデータ) (2020-11-04T17:58:18Z) - Monitoring and explainability of models in production [58.720142291102135]
デプロイされたモデルを監視することは、高品質の機械学習対応サービスの継続的なプロビジョニングに不可欠である。
これらの領域でソリューションの実装を成功させる上での課題を,オープンソースツールを使用した本番環境対応ソリューションの最近の例で論じる。
論文 参考訳(メタデータ) (2020-07-13T10:37:05Z) - A Survey of Machine Learning Methods and Challenges for Windows Malware
Classification [43.4550536920809]
調査は、マルウェア問題に機械学習を適用する方法についてより詳しく学びたいサイバーセキュリティ実践者や、データサイエンティストにこの独特な複雑な領域における課題に対する必要な背景を提供することの両方に有用である。
論文 参考訳(メタデータ) (2020-06-15T17:46:12Z)
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。