論文の概要: Runway Sign Classifier: A DAL C Certifiable Machine Learning System

• arxiv url: http://arxiv.org/abs/2310.06506v1
• Date: Tue, 10 Oct 2023 10:26:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-11 15:57:40.477152
• Title: Runway Sign Classifier: A DAL C Certifiable Machine Learning System
• Title（参考訳）: 滑走路符号分類器:DAL C認定機械学習システム
• Authors: Konstantin Dmitriev, Johann Schumann, Islam Bostanov, Mostafa Abdelhamid and Florian Holzapfel
• Abstract要約: 本稿では,空港標識の検出・分類にディープニューラルネットワーク(DNN)を用いた航空機システムの事例研究を行う。 DAL Cを実現するために、冗長かつ異種な2つのDNNを含む確立されたアーキテクチャ緩和手法を用いる。 この研究は、MLベースのシステムの認定課題が、中程度臨界航空機アプリケーションにどのように対処できるかを説明することを目的としている。
• 参考スコア（独自算出の注目度）: 4.012351415340318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the remarkable progress of Machine Learning (ML) technologies within the domain of Artificial Intelligence (AI) systems has presented unprecedented opportunities for the aviation industry, paving the way for further advancements in automation, including the potential for single pilot or fully autonomous operation of large commercial airplanes. However, ML technology faces major incompatibilities with existing airborne certification standards, such as ML model traceability and explainability issues or the inadequacy of traditional coverage metrics. Certification of ML-based airborne systems using current standards is problematic due to these challenges. This paper presents a case study of an airborne system utilizing a Deep Neural Network (DNN) for airport sign detection and classification. Building upon our previous work, which demonstrates compliance with Design Assurance Level (DAL) D, we upgrade the system to meet the more stringent requirements of Design Assurance Level C. To achieve DAL C, we employ an established architectural mitigation technique involving two redundant and dissimilar Deep Neural Networks. The application of novel ML-specific data management techniques further enhances this approach. This work is intended to illustrate how the certification challenges of ML-based systems can be addressed for medium criticality airborne applications.
• Abstract（参考訳）: 近年、人工知能(AI)分野における機械学習(ML)技術の顕著な進歩は航空業界にとって前例のない機会となり、単一のパイロットや大型商用航空機の完全自律運転など、自動化のさらなる進歩の道を開いた。 しかしながら、ml技術は、mlモデルトレーサビリティや説明可能性の問題、従来型のカバレッジ指標の不十分など、既存の航空機認証基準と大きな非互換性に直面している。 これらの課題から,現行の基準を用いたMLベースの航空機システムの認証が問題となる。 本稿では,空港標識の検出・分類にDeep Neural Network (DNN) を用いた航空機システムのケーススタディを提案する。 設計保証レベル(dal)dに準拠していることを示す以前の研究に基づいて、設計保証レベルcのより厳密な要件を満たすようにシステムをアップグレードします。 ML固有の新しいデータ管理技術の応用により、このアプローチはさらに強化される。 この研究は、MLベースのシステムの認定課題が、中程度臨界航空機アプリケーションにどのように対処できるかを説明することを目的としている。

関連論文リスト

• A Survey of Machine Learning-based Physical-Layer Authentication in Wireless Communications [17.707450193500698]
  無線環境におけるユニークな特性の活用により,Physical-Layer Authentication (PLA) が有望な補完として浮上している。 本稿では,MLベースのPLAで使用可能な特徴と技術について,包括的に調査する。
  論文  参考訳（メタデータ） (2024-11-15T03:01:23Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• 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)
• Toward Certification of Machine-Learning Systems for Low Criticality Airborne Applications [0.0]
  機械学習(ML)の空中に浮かぶ応用には、安全クリティカルな機能が含まれる。 現在の航空産業の認定基準はMLルネッサンス以前に開発された。 従来の設計保証アプローチとMLベースのシステムの特定の側面の間には、いくつかの根本的な不整合がある。
  論文  参考訳（メタデータ） (2022-09-28T10:13:28Z)
• How to Certify Machine Learning Based Safety-critical Systems? A Systematic Literature Review [7.704424642395104]
  本稿では,MLに基づく安全クリティカルシステムの認証に関する課題を明らかにすることを目的とする。 総じて、ML認定の主な柱と考えられるトピックをカバーする229の論文を特定した。
  論文  参考訳（メタデータ） (2021-07-26T09:03:22Z)
• Certification of embedded systems based on Machine Learning: A survey [0.0]
  機械学習(ML)の進歩は、アビオニクス領域における機能革新への道を開く。 現在の認定基準とプラクティスは、この新しい開発パラダイムをサポートしていません。 この記事では、規制要件の遵守の実証において、MLの使用がもたらした主な課題の概要について説明する。
  論文  参考訳（メタデータ） (2021-06-14T08:12:05Z)
• White Paper Machine Learning in Certified Systems [70.24215483154184]
  DEEL Project set-up the ML Certification 3 Workgroup (WG) set-up by the Institut de Recherche Technologique Saint Exup'ery de Toulouse (IRT)
  論文  参考訳（メタデータ） (2021-03-18T21:14:30Z)
• 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)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)

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。