論文の概要: Capturing Dependencies within Machine Learning via a Formal Process
Model
- arxiv url: http://arxiv.org/abs/2208.05219v1
- Date: Wed, 10 Aug 2022 08:45:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-11 13:17:25.767805
- Title: Capturing Dependencies within Machine Learning via a Formal Process
Model
- Title(参考訳): フォーマルプロセスモデルによる機械学習における依存性のキャプチャ
- Authors: Fabian Ritz, Thomy Phan, Andreas Sedlmeier, Philipp Altmann, Jan
Wieghardt, Reiner Schmid, Horst Sauer, Cornel Klein, Claudia Linnhoff-Popien
and Thomas Gabor
- Abstract要約: 機械学習モデルの開発は、単なるソフトウェア開発(SD)の特殊なケースではない
文献に記述されているほとんどのタスクやアーティファクトを一貫した方法で包含する、MLのための包括的なSDプロセスモデルを定義する。
我々は、MLがカプセル化されたタスクである標準的なSDプロセスと様々なインタラクションポイントを提供する。
- 参考スコア(独自算出の注目度): 11.91042044893791
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of Machine Learning (ML) models is more than just a special
case of software development (SD): ML models acquire properties and fulfill
requirements even without direct human interaction in a seemingly
uncontrollable manner. Nonetheless, the underlying processes can be described
in a formal way. We define a comprehensive SD process model for ML that
encompasses most tasks and artifacts described in the literature in a
consistent way. In addition to the production of the necessary artifacts, we
also focus on generating and validating fitting descriptions in the form of
specifications. We stress the importance of further evolving the ML model
throughout its life-cycle even after initial training and testing. Thus, we
provide various interaction points with standard SD processes in which ML often
is an encapsulated task. Further, our SD process model allows to formulate ML
as a (meta-) optimization problem. If automated rigorously, it can be used to
realize self-adaptive autonomous systems. Finally, our SD process model
features a description of time that allows to reason about the progress within
ML development processes. This might lead to further applications of formal
methods within the field of ML.
- Abstract(参考訳): 機械学習(ML)モデルの開発は、単なるソフトウェア開発(SD)の特殊なケースではない。
それでも、基礎となるプロセスは形式的に記述することができる。
文献に記述されているほとんどのタスクやアーティファクトを一貫した方法で包含する、MLのための包括的なSDプロセスモデルを定義する。
必要なアーティファクトの作成に加えて,仕様書の形式での適合記述の生成と検証にも重点を置いています。
初等訓練とテスト後においても,MLモデルをライフサイクル全体を通してさらに進化させることの重要性を強調した。
そこで我々は,MLがカプセル化されたタスクである標準SDプロセスに対して,様々なインタラクションポイントを提供する。
さらに,我々のSDプロセスモデルでは,MLを(メタ)最適化問題として定式化することができる。
厳格に自動化されれば、自己適応型自律システムを実現するために使用できる。
最後に、私たちのSDプロセスモデルには、ML開発プロセスの進捗を推論する時間の記述があります。
これはMLの分野における形式的手法のさらなる応用につながるかもしれない。
関連論文リスト
- Verbalized Machine Learning: Revisiting Machine Learning with Language Models [63.10391314749408]
言語化機械学習(VML)の枠組みを紹介する。
VMLはパラメータ空間を人間の解釈可能な自然言語に制限する。
VMLの有効性を実証的に評価するために,いくつかの研究を行っている。
論文 参考訳(メタデータ) (2024-06-06T17:59:56Z) - A SysML Profile for the Standardized Description of Processes during
System Development [40.539768677361735]
形式化されたプロセス記述(FPD)のためのVDI/VDE 3682標準は、プロセスのシンプルで理解しやすい表現を提供する。
この貢献は、システムモデリング言語(SysML)へのVDI/VDE 3682の統合を促進するドメイン特化モデリング言語(D)の開発に焦点を当てている。
論文 参考訳(メタデータ) (2024-03-11T13:44:38Z) - Continuous Management of Machine Learning-Based Application Behavior [3.316045828362788]
機械学習モデルの非機能特性は、監視、検証、維持されなければならない。
MLベースのアプリケーションの安定な非機能動作を保証することを目的としたマルチモデルアプローチを提案する。
非機能的プロパティフェアネスに着目した実世界のシナリオで,我々のソリューションを実験的に評価した。
論文 参考訳(メタデータ) (2023-11-21T15:47:06Z) - Adapting Large Language Models for Content Moderation: Pitfalls in Data
Engineering and Supervised Fine-tuning [79.53130089003986]
大規模言語モデル(LLM)は、様々なドメインでタスクを処理するための実現可能なソリューションとなっている。
本稿では、コンテンツモデレーションのためにプライベートにデプロイ可能なLLMモデルを微調整する方法を紹介する。
論文 参考訳(メタデータ) (2023-10-05T09:09:44Z) - Towards an MLOps Architecture for XAI in Industrial Applications [2.0457031151514977]
機械学習(ML)は、業務の改善、効率の向上、コスト削減を支援するため、産業分野で人気の高いツールとなっている。
残りのMLOps(Machine Learning Operations)の課題のひとつは、説明の必要性だ。
我々はMLOpsソフトウェアアーキテクチャを開発し、ML開発とデプロイメントプロセスに説明とフィードバック機能を統合するという課題に対処した。
論文 参考訳(メタデータ) (2023-09-22T09:56:25Z) - Self-directed Machine Learning [86.3709575146414]
教育科学において、自己指導型学習は受動的教師指導型学習よりも効果的であることが示されている。
本稿では,自己指向機械学習(SDML)の基本概念を紹介し,SDMLのためのフレームワークを提案する。
提案したSDMLプロセスは,自己タスク選択,自己データ選択,自己モデル選択,自己最適化戦略選択,自己評価基準選択の恩恵を受ける。
論文 参考訳(メタデータ) (2022-01-04T18:32:06Z) - 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) - Learning by Design: Structuring and Documenting the Human Choices in
Machine Learning Development [6.903929927172917]
本稿では,機械学習モデル作成における熟考と規範的選択を概説する8つの設計質問からなる手法を提案する。
本手法は,方法論的透明性を通じた批判的評価を支援するなど,いくつかの利点がある。
本手法は,MLモデルの開発において,ML実践者が選択や仮定を構造化し,正当化する上で有効であると考えている。
論文 参考訳(メタデータ) (2021-05-03T08:47:45Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳(メタデータ) (2020-07-17T01:52:34Z) - 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) - Insights into Performance Fitness and Error Metrics for Machine Learning [1.827510863075184]
機械学習(ML)は、高いレベルの認知を達成し、人間のような分析を行うための訓練機械の分野である。
本稿では、回帰アルゴリズムや分類アルゴリズムにおいて、最もよく使われている性能適合度と誤差の測定値について検討する。
論文 参考訳(メタデータ) (2020-05-17T22:59:04Z)
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。