論文の概要: Machine Learning with Requirements: a Manifesto

• arxiv url: http://arxiv.org/abs/2304.03674v1
• Date: Fri, 7 Apr 2023 14:47:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 11:47:47.279065
• Title: Machine Learning with Requirements: a Manifesto
• Title（参考訳）: 要件による機械学習 - マニフェスト
• Authors: Eleonora Giunchiglia, Fergus Imrie, Mihaela van der Schaar, Thomas Lukasiewicz
• Abstract要約: 要件定義と満足度は、マシンラーニングモデルが現実世界にさらに適合するように、長い道のりを歩むことができる、と私たちは主張しています。 私たちは、要求仕様を標準の機械学習開発パイプラインにうまく組み込む方法を示します。
• 参考スコア（独自算出の注目度）: 114.75437282198567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the recent years, machine learning has made great advancements that have been at the root of many breakthroughs in different application domains. However, it is still an open issue how make them applicable to high-stakes or safety-critical application domains, as they can often be brittle and unreliable. In this paper, we argue that requirements definition and satisfaction can go a long way to make machine learning models even more fitting to the real world, especially in critical domains. To this end, we present two problems in which (i) requirements arise naturally, (ii) machine learning models are or can be fruitfully deployed, and (iii) neglecting the requirements can have dramatic consequences. We show how the requirements specification can be fruitfully integrated into the standard machine learning development pipeline, proposing a novel pyramid development process in which requirements definition may impact all the subsequent phases in the pipeline, and viceversa.
• Abstract（参考訳）: 近年、機械学習は様々なアプリケーションドメインにおける多くのブレークスルーの根底にある大きな進歩を遂げています。 しかし、しばしば脆く信頼性に欠けるので、ハイステイクやセーフティクリティカルなアプリケーションドメインに適用するには、まだ未解決の問題である。 本稿では,要求定義と満足度が,特に臨界領域において,機械学習モデルをより現実世界に適合させるための長い道のりをたどることができることを論じる。 この目的のために、我々は2つの問題を提起する。 (i)要件は自然に生じる (ii)機械学習モデルは、実りあるデプロイが可能で、 (iii)要件の無視は劇的な結果をもたらす可能性がある。 我々は、要求仕様が標準的な機械学習開発パイプラインに実際に統合される方法を示し、要求定義がパイプラインの以降のすべてのフェーズに影響を与えうる新しいピラミッド開発プロセスを提案し、その逆も提案する。

関連論文リスト

• PiShield: A PyTorch Package for Learning with Requirements [49.03568411956408]
  ディープラーニングモデルは、アウトプットの安全性要件を満たすのに苦労することが多い。 本稿では,ニューラルネットワークのトポロジへの要求の統合を可能にする最初のパッケージであるPiShieldを紹介する。
  論文  参考訳（メタデータ） (2024-02-28T12:24:27Z)
• Formal and Practical Elements for the Certification of Machine Learning Systems [0.9217021281095907]
  機械学習モデルのパラメータは、手書きではなく、物理から派生したもので、データから学習されていることを示す。 その結果、要件を直接コード行にトレースすることはできず、現在のボトムアップの航空宇宙認証パラダイムを妨げることになる。 拡張性のある統計的検証器に基づいて,提案するフレームワークは,モデルに依存しないツールに依存しない。
  論文  参考訳（メタデータ） (2023-10-05T00:20:59Z)
• Learnware: Small Models Do Big [69.88234743773113]
  自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。 この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
  論文  参考訳（メタデータ） (2022-10-07T15:55:52Z)
• Machine Learning for Microcontroller-Class Hardware -- A Review [1.5311932971314297]
  本稿では,マイクロコントローラのクラスデバイス上での機械学習を実現する上で,ユニークな課題について述べる。 マイクロコントローラクラスデバイスのための機械学習モデル開発のためのクローズドループ広範に適用可能なワークフローを導入する。
  論文  参考訳（メタデータ） (2022-05-29T00:59:38Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
  記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。 私たちは、インテリジェンスを具体化するための課題と機会を強調します。 本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
  論文  参考訳（メタデータ） (2021-10-28T16:04:01Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。