論文の概要: Code Generation for Machine Learning using Model-Driven Engineering and
SysML
- arxiv url: http://arxiv.org/abs/2307.05584v1
- Date: Mon, 10 Jul 2023 15:00:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 16:06:30.120695
- Title: Code Generation for Machine Learning using Model-Driven Engineering and
SysML
- Title(参考訳): モデル駆動工学とSysMLを用いた機械学習のためのコード生成
- Authors: Simon Raedler, Matthias Rupp, Eugen Rigger, Stefanie Rinderle-Ma
- Abstract要約: この研究は、機械学習タスクを形式化する以前の作業を拡張して、実践的なデータ駆動エンジニアリングの実装を促進することを目的としている。
本手法は,天気予報のためのケーススタディにおいて,実現可能性について評価した。
結果は、実装の労力を減らす方法の柔軟性と単純さを示します。
- 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: Data-driven engineering refers to systematic data collection and processing
using machine learning to improve engineering systems. Currently, the
implementation of data-driven engineering relies on fundamental data science
and software engineering skills. At the same time, model-based engineering is
gaining relevance for the engineering of complex systems. In previous work, a
model-based engineering approach integrating the formalization of machine
learning tasks using the general-purpose modeling language SysML is presented.
However, formalized machine learning tasks still require the implementation in
a specialized programming languages like Python. Therefore, this work aims to
facilitate the implementation of data-driven engineering in practice by
extending the previous work of formalizing machine learning tasks by
integrating model transformation to generate executable code. The method
focuses on the modifiability and maintainability of the model transformation so
that extensions and changes to the code generation can be integrated without
requiring modifications to the code generator. The presented method is
evaluated for feasibility in a case study to predict weather forecasts. Based
thereon, quality attributes of model transformations are assessed and
discussed. Results demonstrate the flexibility and the simplicity of the method
reducing efforts for implementation. Further, the work builds a theoretical
basis for standardizing data-driven engineering implementation in practice.
- Abstract(参考訳): データ駆動エンジニアリング(Data-driven engineering)とは、機械学習を用いてエンジニアリングシステムを改善する体系的なデータ収集と処理を指す。
現在、データ駆動エンジニアリングの実装は、基本的なデータサイエンスとソフトウェア工学のスキルに依存している。
同時に、モデルベースのエンジニアリングは、複雑なシステムのエンジニアリングに関係している。
本稿では,汎用モデリング言語SysMLを用いた機械学習タスクの形式化を統合するモデルベースエンジニアリング手法を提案する。
しかし、形式化された機械学習タスクは、Pythonのような特殊なプログラミング言語の実装を必要とする。
そこで本研究は,モデル変換を統合して実行可能コードを生成することによって,機械学習タスクを形式化する従来の作業を拡張することで,データ駆動型エンジニアリングの実現を促進することを目的とする。
この方法はモデル変換の修正可能性と保守性に焦点を当てており、コード生成への拡張と変更をコードジェネレータの変更を必要とせずに統合することができる。
気象予報のためのケーススタディにおいて,本手法の有効性を評価する。
そこで,モデル変換の品質特性を評価し検討した。
結果は、実装の労力を減らす方法の柔軟性と単純さを示します。
さらに、この研究はデータ駆動工学の実装を実際に標準化するための理論的基礎を構築している。
関連論文リスト
- Data Publishing in Mechanics and Dynamics: Challenges, Guidelines, and Examples from Engineering Design [4.065325208853021]
本稿では、力学および力学におけるデータパブリッシングの価値と課題を分析する。
後者は、データ駆動手法が元来ブームになっている分野では一般的ではない課題や考察も提起している。
論文 参考訳(メタデータ) (2024-10-07T18:26:05Z) - Retrieval-Augmented Instruction Tuning for Automated Process Engineering Calculations : A Tool-Chaining Problem-Solving Framework with Attributable Reflection [0.0]
オープンでカスタマイズ可能な小型コード言語モデル(SLM)を強化するためにRAIT(Retrieval-Augmented Instruction-Tuning)を活用する新しい自律エージェントフレームワークを提案する。
命令チューニングされたコードSLMと外部ツールを使用してRACG(Retrieval-Augmented Code Generation)を組み合わせることで、エージェントは自然言語仕様からコードを生成し、デバッグし、最適化する。
我々のアプローチは、専門的なプロセスエンジニアリングタスクのための基礎的AIモデルの欠如の限界に対処し、説明可能性、知識編集、費用対効果の利点を提供する。
論文 参考訳(メタデータ) (2024-08-28T15:33:47Z) - Towards Synthetic Trace Generation of Modeling Operations using In-Context Learning Approach [1.8874331450711404]
本稿では,イベントログのモデリング,インテリジェントなモデリングアシスタント,モデリング操作の生成を組み合わせた概念的フレームワークを提案する。
特に、アーキテクチャは、設計者がシステムを指定するのを助け、その操作をグラフィカルなモデリング環境内で記録し、関連する操作を自動的に推奨する、モデリングコンポーネントから構成される。
論文 参考訳(メタデータ) (2024-08-26T13:26:44Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - Model-Driven Engineering Method to Support the Formalization of Machine
Learning using SysML [0.0]
本研究は,モデルベース工学を活用した機械学習タスクの協調的定義を支援する手法を提案する。
この方法は、様々なデータソースの識別と統合、データ属性間のセマンティックな関係の定義、データ処理ステップの定義をサポートする。
論文 参考訳(メタデータ) (2023-07-10T11:33:46Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳(メタデータ) (2022-09-05T16:48:34Z) - 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) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z) - 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) - Gradient-Based Training and Pruning of Radial Basis Function Networks
with an Application in Materials Physics [0.24792948967354234]
本稿では,高速かつスケーラブルなオープンソース実装による放射状基底関数ネットワークのトレーニング手法を提案する。
連立データと連立データのモデル解析のための新しいクローズドフォーム最適化基準を導出する。
論文 参考訳(メタデータ) (2020-04-06T11:32:37Z) - 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。