論文の概要: Formal and Practical Elements for the Certification of Machine Learning Systems

• arxiv url: http://arxiv.org/abs/2310.03217v1
• Date: Thu, 5 Oct 2023 00:20:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 20:03:28.339720
• Title: Formal and Practical Elements for the Certification of Machine Learning Systems
• Title（参考訳）: 機械学習システムの認証のための形式的および実践的要素
• Authors: Jean-Guillaume Durand, Arthur Dubois, Robert J. Moss
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.9217021281095907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decade, machine learning has demonstrated impressive results, often surpassing human capabilities in sensing tasks relevant to autonomous flight. Unlike traditional aerospace software, the parameters of machine learning models are not hand-coded nor derived from physics but learned from data. They are automatically adjusted during a training phase, and their values do not usually correspond to physical requirements. As a result, requirements cannot be directly traced to lines of code, hindering the current bottom-up aerospace certification paradigm. This paper attempts to address this gap by 1) demystifying the inner workings and processes to build machine learning models, 2) formally establishing theoretical guarantees given by those processes, and 3) complementing these formal elements with practical considerations to develop a complete certification argument for safety-critical machine learning systems. Based on a scalable statistical verifier, our proposed framework is model-agnostic and tool-independent, making it adaptable to many use cases in the industry. We demonstrate results on a widespread application in autonomous flight: vision-based landing.
• Abstract（参考訳）: 過去10年間、機械学習は目覚ましい結果を示し、しばしば自律飛行に関連するタスクを検知する人間の能力を上回ってきた。 従来の航空宇宙ソフトウェアとは異なり、機械学習モデルのパラメータは手書きコードや物理からではなく、データから学習される。 トレーニング期間中に自動的に調整され、その値は通常は物理的な要件に対応しない。 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。 本稿では,このギャップに対処しようと試みる。 1)機械学習モデルを構築するための内部作業やプロセスのデミステレーション。 2)これらの過程によって与えられる理論的保証を正式に確立すること,及び 3)これらの形式的要素を実践的な考察で補完し,安全クリティカルな機械学習システムに対する完全な認証引数を開発する。 スケーラブルな統計的検証に基づいて,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ため,業界内の多くのユースケースに適応できる。 我々は、自律飛行における広範囲な応用、すなわち視覚ベースの着陸の結果を実証する。

関連論文リスト

• AI Enhanced Control Engineering Methods [66.08455276899578]
  我々は、AIツールがアプリケーションを制御するのにどのように役立つかを探求する。 直近の2つの応用は、局所安定性解析やカルマンフィルタを用いた状態推定のための系力学の線形化である。 さらに、モデル予測制御アプリケーションにおける状態ベクトルのグローバルパラメータ化と制御入力に対する機械学習モデルの利用について検討する。
  論文  参考訳（メタデータ） (2023-06-08T20:31:14Z)
• Machine Learning with Requirements: a Manifesto [114.97965827971132]
  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。
  論文  参考訳（メタデータ） (2023-04-07T14:47:13Z)
• Framework for Certification of AI-Based Systems [0.0]
  航空宇宙ソフトウェアの現在の認定プロセスは、ディープニューラルネットワークのようなAIベースのアルゴリズムに適応していない。 本稿では,ニューラルネットワークモデルの認証手法を確立するためのフレームワークと原則を提案する。
  論文  参考訳（メタデータ） (2023-02-21T23:08:37Z)
• DetAIL : A Tool to Automatically Detect and Analyze Drift In Language [8.968228078113189]
  この作業は、機械学習とディープラーニングベースのシステムが従来のソフトウェアと同じくらい信頼されていることを保証することを目的としている。 現在のシステムは、新しいデータが登場するにつれて、これらのモデルの定期的な再トレーニングに依存している。 我々は、新しいデータが起動したときに発生するデータドリフトを測定し、実際に再トレーニングが必要なときにモデルを適応的に再トレーニングできるようにすることを提案する。
  論文  参考訳（メタデータ） (2022-11-03T19:50:12Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• 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)
• 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)
• A Review of Formal Methods applied to Machine Learning [0.6853165736531939]
  機械学習システムの検証の新たな分野に適用される最先端の形式的手法を検討します。 我々はまず,安全クリティカルな分野であるavionic softwareにおいて確立された形式的手法とその現状を思い出す。 次に、機械学習のためにこれまでに開発された形式的手法を包括的かつ詳細にレビューし、その強みと限界を強調します。
  論文  参考訳（メタデータ） (2021-04-06T12:48:17Z)
• 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。