Fugu-MT 論文翻訳(概要): Empowering the trustworthiness of ML-based critical systems through engineering activities

論文の概要: Empowering the trustworthiness of ML-based critical systems through engineering activities

arxiv url: http://arxiv.org/abs/2209.15438v1
Date: Fri, 30 Sep 2022 12:42:18 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 16:44:19.800715
Title: Empowering the trustworthiness of ML-based critical systems through engineering activities
Title（参考訳）: エンジニアリング活動によるMLベースクリティカルシステムの信頼性向上
Authors: Juliette Mattioli, Agnes Delaborde, Souhaiel Khalfaoui, Freddy Lecue, Henri Sohier and Frederic Jurie
Abstract要約: 本稿では、信頼できる機械学習(ML)アルゴリズムの全エンジニアリングプロセスについてレビューする。 MLの基本原則から始まり、特に設計を通じて、その信頼を条件づける中核要素を説明します。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper reviews the entire engineering process of trustworthy Machine Learning (ML) algorithms designed to equip critical systems with advanced analytics and decision functions. We start from the fundamental principles of ML and describe the core elements conditioning its trust, particularly through its design: namely domain specification, data engineering, design of the ML algorithms, their implementation, evaluation and deployment. The latter components are organized in an unique framework for the design of trusted ML systems.
Abstract（参考訳）: 本稿では、重要なシステムと高度な分析と決定機能を備えるために設計された、信頼性の高い機械学習(ml)アルゴリズムのエンジニアリングプロセス全体についてレビューする。 MLの基本原則から始まり、特にその設計、すなわちドメイン仕様、データエンジニアリング、MLアルゴリズムの設計、実装、評価、デプロイメントを通じて、その信頼性を規定する中核要素を説明します。後者のコンポーネントは、信頼できるMLシステムの設計のためのユニークなフレームワークとして構成されている。

関連論文リスト

On the Design and Analysis of LLM-Based Algorithms [74.7126776018275]
大規模言語モデル(LLM)はアルゴリズムのサブルーチンとして使用される。 LLMは素晴らしい経験的成功を収めた。提案フレームワークは,LLMアルゴリズムの進歩を約束する。
論文参考訳（メタデータ） (2024-07-20T07:39:07Z)
Investigating the Impact of SOLID Design Principles on Machine Learning Code Understanding [2.5788518098820337]
我々は,SOLID設計原則が機械学習コード理解に与える影響を検討した。 SOLIDの原則を使わなかった実際の産業用MLコードを再構築した。その結果、SOLID設計原則の採用がコード理解を改善するという統計的に重要な証拠が得られた。
論文参考訳（メタデータ） (2024-02-08T00:44:45Z)
Machine Learning-Enabled Software and System Architecture Frameworks [48.87872564630711]
データサイエンスと機械学習に関連する関心事、例えばデータサイエンティストやデータエンジニアの利害関係者は、まだ既存のアーキテクチャフレームワークには含まれていない。 10か国25以上の組織から61名の被験者を対象に調査を行った。
論文参考訳（メタデータ） (2023-08-09T21:54:34Z)
MDE for Machine Learning-Enabled Software Systems: A Case Study and Comparison of MontiAnna & ML-Quadrat [5.839906946900443]
我々は,モノのインターネット(IoT)分野に着目した機械学習対応ソフトウェアシステムの開発に,MDEパラダイムを採用することを提案する。ケーススタディで実証されたように、最先端のオープンソースモデリングツールであるMontiAnnaとML-Quadratが、この目的のためにどのように使用できるかを説明します。
論文参考訳（メタデータ） (2022-09-15T13:21:16Z)
System Analysis for Responsible Design of Modern AI/ML Systems [0.24366811507669117]
MLアルゴリズムやシステムの設計と実装には,従来のシステム分析の視点が必要である,と我々は主張する。本稿では,システム分析手法の構成要素を概観し,それらがML設計の責任ある実践をどのように結び付けて有効にするかを明らかにする。
論文参考訳（メタデータ） (2022-04-19T12:04:19Z)
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)
A Survey of Machine Learning for Computer Architecture and Systems [18.620218353713476]
コンピュータアーキテクチャとシステムが機械学習(ml)アルゴリズムやモデルの効率的な実行を可能にするように最適化されるのは、長い間のことです。今こそ、MLとシステムの関係を再考し、MLがコンピュータアーキテクチャとシステムが設計される方法を変える時です。
論文参考訳（メタデータ） (2021-02-16T04:09:57Z)
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)
Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。最も有望な応用の1つは、MLベースの力場(FF)の構築である。本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文参考訳（メタデータ） (2020-10-14T13:14:14Z)
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。