論文の概要: Certification of embedded systems based on Machine Learning: A survey
- arxiv url: http://arxiv.org/abs/2106.07221v1
- Date: Mon, 14 Jun 2021 08:12:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-15 16:32:52.410768
- Title: Certification of embedded systems based on Machine Learning: A survey
- Title(参考訳): 機械学習に基づく組込みシステムの認証:調査
- Authors: Guillaume Vidot (IRIT-ARGOS), Christophe Gabreau, Ileana Ober
(IRIT-ARGOS), Iulian Ober (IRIT-ARGOS)
- Abstract要約: 機械学習(ML)の進歩は、アビオニクス領域における機能革新への道を開く。
現在の認定基準とプラクティスは、この新しい開発パラダイムをサポートしていません。
この記事では、規制要件の遵守の実証において、MLの使用がもたらした主な課題の概要について説明する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advances in machine learning (ML) open the way to innovating functions in the
avionic domain, such as navigation/surveillance assistance (e.g. vision-based
navigation, obstacle sensing, virtual sensing), speechto-text applications,
autonomous flight, predictive maintenance or cockpit assistance. Current
certification standards and practices, which were defined and refined decades
over decades with classical programming in mind, do not however support this
new development paradigm. This article provides an overview of the main
challenges raised by the use ML in the demonstration of compliance with
regulation requirements, and a survey of literature relevant to these
challenges, with particular focus on the issues of robustness and
explainability of ML results.
- Abstract(参考訳): 機械学習(ML)の進歩は、ナビゲーション/監視支援(例)のようなアビオニクス領域の機能革新への道を開く。
視覚ベースのナビゲーション、障害物検知、仮想センシング、音声テキストアプリケーション、自律飛行、予測メンテナンス、コックピットアシスト。
現在の認定基準とプラクティスは、古典的なプログラミングを念頭に数十年にわたって定義され、洗練されてきましたが、この新しい開発パラダイムをサポートしていません。
本稿では、規制要件の遵守を示す上でMLがもたらした主な課題の概要と、これらの課題に関連する文献の調査、特にML結果の堅牢性や説明可能性に関する課題について概説する。
関連論文リスト
- Runway Sign Classifier: A DAL C Certifiable Machine Learning System [4.012351415340318]
本稿では,空港標識の検出・分類にディープニューラルネットワーク(DNN)を用いた航空機システムの事例研究を行う。
DAL Cを実現するために、冗長かつ異種な2つのDNNを含む確立されたアーキテクチャ緩和手法を用いる。
この研究は、MLベースのシステムの認定課題が、中程度臨界航空機アプリケーションにどのように対処できるかを説明することを目的としている。
論文 参考訳(メタデータ) (2023-10-10T10:26:30Z) - Toward Certification of Machine-Learning Systems for Low Criticality
Airborne Applications [0.0]
機械学習(ML)の空中に浮かぶ応用には、安全クリティカルな機能が含まれる。
現在の航空産業の認定基準はMLルネッサンス以前に開発された。
従来の設計保証アプローチとMLベースのシステムの特定の側面の間には、いくつかの根本的な不整合がある。
論文 参考訳(メタデータ) (2022-09-28T10:13:28Z) - A Review of Machine Learning Methods Applied to Structural Dynamics and
Vibroacoustic [0.0]
Vibroacoustic(SD&V)の主要な3つのアプリケーションが機械学習(ML)を活用している。
構造的健康モニタリングでは、ML検出と予後が安全な操作とメンテナンススケジュールの最適化につながる。
システムの識別と制御設計は、アクティブノイズ制御およびアクティブ振動制御におけるML技術によって活用される。
いわゆるMLベースのサロゲートモデルは、コストのかかるシミュレーションに代わる高速な代替手段を提供し、堅牢で最適化された製品設計を可能にする。
論文 参考訳(メタデータ) (2022-04-13T13:16:21Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳(メタデータ) (2021-08-17T17:44:38Z) - How to Certify Machine Learning Based Safety-critical Systems? A
Systematic Literature Review [7.704424642395104]
本稿では,MLに基づく安全クリティカルシステムの認証に関する課題を明らかにすることを目的とする。
総じて、ML認定の主な柱と考えられるトピックをカバーする229の論文を特定した。
論文 参考訳(メタデータ) (2021-07-26T09:03:22Z) - Deep Learning for Embodied Vision Navigation: A Survey [108.13766213265069]
身体的視覚ナビゲーション」問題では、エージェントが3D環境をナビゲートする必要がある。
本稿では、総合的な文献調査を提供することで、視覚ナビゲーションの具体的分野における現在の研究の概要を確立することを試みる。
論文 参考訳(メタデータ) (2021-07-07T12:09:04Z) - 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) - 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) - Towards a Robust and Trustworthy Machine Learning System Development [0.09236074230806578]
最新のML信頼性と技術に関する最近の調査をセキュリティエンジニアリングの視点から紹介します。
次に、ML実践者のための標準的かつ視覚化された方法で知識の体を表すメタモデルを記述することによって、調査の前後に研究を進めます。
本稿では,堅牢で信頼性の高いMLシステムの開発を進めるための今後の研究方向性を提案する。
論文 参考訳(メタデータ) (2021-01-08T14:43:58Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-21T17:14:34Z)
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。