論文の概要: Data-centric Operational Design Domain Characterization for Machine Learning-based Aeronautical Products

• arxiv url: http://arxiv.org/abs/2307.07681v1
• Date: Sat, 15 Jul 2023 02:08:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 18:38:36.039123
• Title: Data-centric Operational Design Domain Characterization for Machine Learning-based Aeronautical Products
• Title（参考訳）: 機械学習に基づく航空製品のためのデータ中心の運用設計ドメイン特性
• Authors: Fateh Kaakai, Shridhar "Shreeder" Adibhatla, Ganesh Pai, Emmanuelle Escorihuela
• Abstract要約: 機械学習(ML)に基づく航空製品のための操作設計ドメイン(ODD)の厳密な特徴付けを初めて与える。 我々は,ODDを定義するパラメータを明示的にキャプチャできる次元と,MLベースのアプリケーションが操作中に遭遇する可能性のあるデータの分類を提案する。
• 参考スコア（独自算出の注目度）: 4.8461049669050915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We give a first rigorous characterization of Operational Design Domains (ODDs) for Machine Learning (ML)-based aeronautical products. Unlike in other application sectors (such as self-driving road vehicles) where ODD development is scenario-based, our approach is data-centric: we propose the dimensions along which the parameters that define an ODD can be explicitly captured, together with a categorization of the data that ML-based applications can encounter in operation, whilst identifying their system-level relevance and impact. Specifically, we discuss how those data categories are useful to determine: the requirements necessary to drive the design of ML Models (MLMs); the potential effects on MLMs and higher levels of the system hierarchy; the learning assurance processes that may be needed, and system architectural considerations. We illustrate the underlying concepts with an example of an aircraft flight envelope.
• Abstract（参考訳）: 機械学習(ML)に基づく航空製品のためのオペレーショナルデザインドメイン(ODD)の最初の厳密な特徴について述べる。 ODD開発がシナリオベースである他のアプリケーションセクター(自動運転車など)とは異なり、当社のアプローチはデータ中心であり、ODDを定義するパラメータを明示的にキャプチャ可能な次元と、MLベースのアプリケーションが運用中に遭遇する可能性のあるデータの分類を提案し、システムレベルの関連性と影響を特定します。 具体的には、MLモデル(MLM)の設計を駆動するために必要な要件、MLMやシステム階層の高レベルへの影響、必要な学習保証プロセス、システムアーキテクチャの考慮など、これらのデータカテゴリがどのように役立つかを論じる。 基礎となる概念を航空機の飛行封筒の例で説明する。

関連論文リスト

• How to design a dataset compliant with an ML-based system ODD? [5.432478272457867]
  本稿では、ビジョンベースのランディングタスクに着目し、機械学習(ML)システムの操作設計ドメイン(ODD)に準拠したデータセットの設計と検証を行う。 新たな認証基準に基づき,ODDをシステムレベルと画像レベルで確立するプロセスについて述べる。
  論文  参考訳（メタデータ） (2024-06-20T06:48:34Z)
• Prospector Heads: Generalized Feature Attribution for Large Models & Data [82.02696069543454]
  本稿では,説明に基づく帰属手法の効率的かつ解釈可能な代替手段であるプロスペクタヘッドを紹介する。 入力データにおけるクラス固有のパターンの解釈と発見を、プロファイラヘッドがいかに改善できるかを実証する。
  論文  参考訳（メタデータ） (2024-02-18T23:01:28Z)
• LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
  本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。 我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
  論文  参考訳（メタデータ） (2024-02-06T19:18:04Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• Desiderata for next generation of ML model serving [0.34410212782758054]
  本稿では,次世代の推論プラットフォームが目指すべき重要な特徴について述べる。 包括的な設計パターンはデータ中心性であり、MLシステム操作におけるよりスマートな監視を可能にする。
  論文  参考訳（メタデータ） (2022-10-26T12:29:25Z)
• An Empirical Evaluation of Flow Based Programming in the Machine Learning Deployment Context [11.028123436097616]
  データ指向アーキテクチャ(DOA)は,課題に対処する上で,データサイエンティストやソフトウェア開発者を支援する,新たなアプローチである。 本稿では,フローベースプログラミング(FBP)をDOAアプリケーション作成のパラダイムとして考える。 我々は、典型的なデータサイエンスプロジェクトを表す4つのアプリケーション上で、MLデプロイメントの文脈において、FBPを実証的に評価する。
  論文  参考訳（メタデータ） (2022-04-27T09:08:48Z)
• 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)
• Machine Learning for Naval Architecture, Ocean and Marine Engineering [0.0]
  この記事では、海軍アーキテクチャ、海洋工学、海洋工学における機械学習アルゴリズムの適用についてレビューする。 本稿では, 波高予測, 船舶の風荷重計算, オフショアプラットホームの損傷検出, 船体付加抵抗の計算など, さまざまな問題に対する機械学習アルゴリズムの適用について論じる。
  論文  参考訳（メタデータ） (2021-09-01T09:36:12Z)
• Exploring the potential of flow-based programming for machine learning deployment in comparison with service-oriented architectures [8.677012233188968]
  理由のひとつは、データ収集と分析に関するアクティビティのために設計されていないインフラストラクチャである、と私たちは論じています。 本稿では,データストリームを用いたフローベースのプログラミングを,ソフトウェアアプリケーション構築に広く使用されるサービス指向アーキテクチャの代替として検討する。
  論文  参考訳（メタデータ） (2021-08-09T15:06:02Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。