論文の概要: A Model-Driven Engineering Approach to Machine Learning and Software
Modeling
- arxiv url: http://arxiv.org/abs/2107.02689v1
- Date: Tue, 6 Jul 2021 15:50:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 13:55:23.396338
- Title: A Model-Driven Engineering Approach to Machine Learning and Software
Modeling
- Title(参考訳): 機械学習とソフトウェアモデリングへのモデル駆動工学的アプローチ
- Authors: Armin Moin, Atta Badii and Stephan G\"unnemann
- Abstract要約: モデルは、ソフトウェア工学(SE)と人工知能(AI)のコミュニティで使われている。
主な焦点はIoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のユースケースである。
- 参考スコア(独自算出の注目度): 0.5156484100374059
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Models are used in both the Software Engineering (SE) and the Artificial
Intelligence (AI) communities. In the former case, models of software, which
may specify the software system architecture on different levels of abstraction
could be used in various stages of the Software Development Life-Cycle (SDLC),
from early conceptualization and design, to verification, implementation,
testing and evolution. However, in the latter case, i.e., AI, models may
provide smart capabilities, such as prediction and decision making support. For
instance, in Machine Learning (ML), which is the most popular sub-discipline of
AI at the present time, mathematical models may learn useful patterns in the
observed data instances and can become capable of making better predictions or
recommendations in the future. The goal of this work is to create synergy by
bringing models in the said communities together and proposing a holistic
approach. We illustrate how software models can become capable of producing or
dealing with data analytics and ML models. The main focus is on the Internet of
Things (IoT) and smart Cyber-Physical Systems (CPS) use cases, where both ML
and model-driven (model-based) SE play a key role. In particular, we implement
the proposed approach in an open source prototype and validate it using two use
cases from the IoT/CPS domain.
- Abstract(参考訳): モデルは、ソフトウェア工学(SE)と人工知能(AI)のコミュニティで使われている。
前者の場合、異なる抽象レベルでソフトウェアシステムアーキテクチャを指定する可能性のあるソフトウェアのモデルは、初期の概念化と設計から検証、実装、テスト、進化に至るまで、ソフトウェア開発ライフサイクル(sdlc)の様々な段階において利用可能である。
しかし、後者の場合、つまりAIでは、モデルが予測や意思決定支援といったスマートな能力を提供する可能性がある。
例えば、現在AIの最もポピュラーなサブカテゴリである機械学習(ML)では、数学的モデルは観測されたデータインスタンスで有用なパターンを学習し、将来より優れた予測やレコメンデーションを行うことができる。
この作業の目標は、これらのコミュニティにモデルを持ち込み、全体的なアプローチを提案することで、シナジーを生み出すことです。
ソフトウェアモデルがデータ分析やMLモデルの生成や処理が可能なようになる方法について説明する。
主な焦点はIoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のユースケースであり、MLとモデル駆動(モデルベース)SEの両方が重要な役割を果たす。
特に,提案手法をオープンソースプロトタイプに実装し,IoT/CPSドメインの2つのユースケースを用いて検証する。
関連論文リスト
- An Interactive Agent Foundation Model [50.50659114031731]
本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。
トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。
私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
論文 参考訳(メタデータ) (2024-02-08T18:58:02Z) - A comprehensible analysis of the efficacy of Ensemble Models for Bug
Prediction [0.0]
我々は,単一のAIモデルとアンサンブルAIモデルという,2つのAIベースのアプローチの比較と分析を行い,Javaクラスがバグのある確率を予測する。
実験結果から,AIモデルのアンサンブルは,個々のAIモデルの適用結果より優れていたことが示唆された。
論文 参考訳(メタデータ) (2023-10-18T17:43:54Z) - Model Share AI: An Integrated Toolkit for Collaborative Machine Learning
Model Development, Provenance Tracking, and Deployment in Python [0.0]
モデル共有AI(AIMS)は、コラボレーティブモデル開発、モデル前駆者追跡、モデルデプロイメントを合理化するように設計された、使いやすいMLOpsプラットフォームである。
AIMSは、協調的なプロジェクト空間と、見当たらない評価データに基づいてモデル提出をランク付けする標準化されたモデル評価プロセスを備えている。
AIMSでは、Scikit-Learn、Keras、PyTorch、ONNXで構築されたMLモデルを、ライブREST APIや自動生成されたWebアプリにデプロイすることができる。
論文 参考訳(メタデータ) (2023-09-27T15:24:39Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳(メタデータ) (2022-03-06T10:12:56Z) - DIME: Fine-grained Interpretations of Multimodal Models via Disentangled
Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。
提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文 参考訳(メタデータ) (2022-03-03T20:52:47Z) - Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。
リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。
モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
論文 参考訳(メタデータ) (2022-02-22T02:33:54Z) - Data-Driven and SE-assisted AI Model Signal-Awareness Enhancement and
Introspection [61.571331422347875]
モデルの信号認識性を高めるためのデータ駆動型手法を提案する。
コード複雑性のSE概念とカリキュラム学習のAIテクニックを組み合わせる。
モデル信号認識における最大4.8倍の改善を実現している。
論文 参考訳(メタデータ) (2021-11-10T17:58:18Z) - Designing Machine Learning Toolboxes: Concepts, Principles and Patterns [0.0]
AIモデリングツールボックスの設計における重要なパターンについて概説する。
我々の分析では、既存のツールボックスの設計だけでなく、新しいツールボックスの開発も説明できます。
論文 参考訳(メタデータ) (2021-01-13T08:55:15Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - Introduction to Rare-Event Predictive Modeling for Inferential
Statisticians -- A Hands-On Application in the Prediction of Breakthrough
Patents [0.0]
本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。
両フィールド間の潜在的な相乗効果について考察する。
我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
論文 参考訳(メタデータ) (2020-03-30T13:06:25Z)
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。