論文の概要: Evolve the Model Universe of a System Universe

• arxiv url: http://arxiv.org/abs/2309.13342v1
• Date: Sat, 23 Sep 2023 11:30:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 06:49:20.074686
• Title: Evolve the Model Universe of a System Universe
• Title（参考訳）: システム宇宙のモデル宇宙を進化させる
• Authors: Tao Yue and Shaukat Ali
• Abstract要約: 我々は,ソフトウェア工学,進化計算,機械学習といった技術を組み合わせて,モデル宇宙を支援するというビジョンを提示する。 デジタルツインのような既存の技術は、そのようなシステムと連続的に同期することで、最も更新された状態を反映することができる。
• 参考スコア（独自算出の注目度）: 7.435569269857048
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertain, unpredictable, real time, and lifelong evolution causes operational failures in intelligent software systems, leading to significant damages, safety and security hazards, and tragedies. To fully unleash the potential of such systems and facilitate their wider adoption, ensuring the trustworthiness of their decision making under uncertainty is the prime challenge. To overcome this challenge, an intelligent software system and its operating environment should be continuously monitored, tested, and refined during its lifetime operation. Existing technologies, such as digital twins, can enable continuous synchronisation with such systems to reflect their most updated states. Such representations are often in the form of prior knowledge based and machine learning models, together called model universe. In this paper, we present our vision of combining techniques from software engineering, evolutionary computation, and machine learning to support the model universe evolution.
• Abstract（参考訳）: 不確実で予測不能、リアルタイム、そして生涯にわたる進化は、インテリジェントなソフトウェアシステムにおいて運用上の障害を引き起こし、重大な損傷、安全とセキュリティの危険、そして悲劇を引き起こす。 そのようなシステムの可能性を完全に解き放ち、より広範な採用を促進するためには、不確実性の下で意思決定の信頼性を確保することが重要な課題である。 この課題を克服するために、インテリジェントなソフトウェアシステムとその運用環境は、その運用中に継続的に監視、テスト、洗練されなければならない。 デジタルツインのような既存の技術は、そのようなシステムと連続的に同期することで、最も更新された状態を反映することができる。 このような表現は、しばしば、モデル宇宙と呼ばれる、事前知識ベースと機械学習モデルの形式である。 本稿では,ソフトウェア工学,進化計算,機械学習といった技術を組み合わせて,モデル宇宙の進化を支援するというビジョンを示す。

関連論文リスト

• Bridging Gaps, Building Futures: Advancing Software Developer Diversity and Inclusion Through Future-Oriented Research [50.545824691484796]
  我々はSEの多様性と包摂性に関する課題と解決策について、SE研究者や実践者から知見を提示する。 我々は,将来的なユートピアやディストピアのビジョンを共有し,今後の研究の方向性とアカデミックや産業への示唆を提供する。
  論文  参考訳（メタデータ） (2024-04-10T16:18:11Z)
• Open-world Machine Learning: A Review and New Outlooks [83.6401132743407]
  本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。 研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-03-04T06:25:26Z)
• Security Challenges in Autonomous Systems Design [1.864621482724548]
  人間のコントロールから独立すると、このようなシステムのサイバーセキュリティはさらに重要になる。 人間のコントロールから独立すると、このようなシステムのサイバーセキュリティはさらに重要になる。 本稿では,技術の現状を徹底的に議論し,新たなセキュリティ課題を特定し,研究の方向性を提案する。
  論文  参考訳（メタデータ） (2023-11-05T09:17:39Z)
• Don't Treat the Symptom, Find the Cause! Efficient Artificial-Intelligence Methods for (Interactive) Debugging [0.0]
  現代の世界では、私たちは、より高度な洗練のシステムに常用し、活用し、交流し、頼りにしています。 本論では、モデルに基づく診断の話題を紹介し、この分野の課題を指摘し、これらの課題に対処する研究からのアプローチの選択について論じる。
  論文  参考訳（メタデータ） (2023-06-22T12:44:49Z)
• Security for Machine Learning-based Software Systems: a survey of threats, practices and challenges [0.76146285961466]
  機械学習ベースのモダンソフトウェアシステム(MLBSS)を安全に開発する方法は、依然として大きな課題である。 潜伏中の脆弱性と、外部のユーザーや攻撃者に暴露されるプライバシー問題は、ほとんど無視され、特定が難しい。 機械学習ベースのソフトウェアシステムのセキュリティは、固有のシステム欠陥や外敵攻撃から生じる可能性があると考えている。
  論文  参考訳（メタデータ） (2022-01-12T23:20:25Z)
• Systems Challenges for Trustworthy Embodied Systems [0.0]
  エンボディシステムと呼ばれる、ますます自律的かつ自律的な新世代のシステムの開発が進んでいる。 実施されたシステムの振る舞いを有益な方法で調整し、人間中心の社会的価値との整合性を確保し、安全で信頼性の高い人間と機械の相互作用を設計することが不可欠である。 我々は、急進的なシステム工学が組み込みシステムからエンボディドシステムへの気候に到達し、状況を認識し、意図的に駆動され、爆発的に進化し、ほとんど予測不可能で、ますます自律的なエンボディドシステムのダイナミックフェデレーションの信頼性を保証していると論じている。
  論文  参考訳（メタデータ） (2022-01-10T15:52:17Z)
• 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)
• Machine Learning in Finance-Emerging Trends and Challenges [1.2891210250935146]
  機械学習と人工知能のパラダイムが私たちの日常生活に浸透し、もはや神秘的な学者や科学者の領域ではない。 処理速度の指数的な成長により、組織はビジネス価値をはるかに上回るソリューションを実現するために、膨大な量のデータを活用することが可能になった。 この入門章では、マシンラーニングと人工知能ベースのモデルとアプリケーションを日々の運用で採用する上で、金融サービスセクターの組織が直面している課題と障壁を取り上げている。
  論文  参考訳（メタデータ） (2021-10-08T09:14:06Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• 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)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)

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。