論文の概要: PiShield: A NeSy Framework for Learning with Requirements
- arxiv url: http://arxiv.org/abs/2402.18285v1
- Date: Wed, 28 Feb 2024 12:24:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 15:06:25.414140
- Title: PiShield: A NeSy Framework for Learning with Requirements
- Title(参考訳): PiShield: 要求による学習のためのNeSyフレームワーク
- Authors: Mihaela C\u{a}t\u{a}lina Stoian, Alex Tatomir, Thomas Lukasiewicz,
Eleonora Giunchiglia
- Abstract要約: ディープラーニングモデルは、アウトプットの安全性要件を満たすのに苦労することが多い。
本稿では,ニューラルネットワークのトポロジへの要求の統合を可能にする最初のフレームワークであるPiShieldを紹介する。
- 参考スコア(独自算出の注目度): 53.56796220109518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have shown their strengths in various application
domains, however, they often struggle to meet safety requirements for their
outputs. In this paper, we introduce PiShield, the first framework ever
allowing for the integration of the requirements into the neural networks'
topology. PiShield guarantees compliance with these requirements, regardless of
input. Additionally, it allows for integrating requirements both at inference
and/or training time, depending on the practitioners' needs. Given the
widespread application of deep learning, there is a growing need for frameworks
allowing for the integration of the requirements across various domains. Here,
we explore three application scenarios: functional genomics, autonomous
driving, and tabular data generation.
- Abstract(参考訳): ディープラーニングモデルは様々なアプリケーション領域でその強みを示しているが、アウトプットの安全性要件を満たすのに苦労することが多い。
本稿では,ニューラルネットワークのトポロジへの要求の統合を可能にする最初のフレームワークであるPiShieldを紹介する。
PiShieldは、入力に関係なく、これらの要件に準拠することを保証します。
さらに、実践者のニーズに応じて、推論とトレーニング時間の両方で要求を統合することができる。
ディープラーニングの広範な適用を考えると、さまざまなドメインにまたがる要件の統合を可能にするフレームワークの必要性が高まっている。
ここでは,機能ゲノミクス,自律運転,表データ生成という3つのアプリケーションシナリオについて検討する。
関連論文リスト
- Towards an Approach to Pattern-based Domain-Specific Requirements Engineering [0.0]
本稿では,機能要件と性能要件の仕様化のためのパターンベースドメイン固有要求工学手法を提案する。
このアプローチは、アカデミックと産業のコラボレーションから生まれ、ドメイン知識を分析可能なアプローチを策定する最初の試みです。
まず、パターンベースのドメイン固有要件エンジニアリングのソリューションと、品質保証技術へのその模範的な統合を提示します。
論文 参考訳(メタデータ) (2024-04-26T11:38:55Z) - Serving Deep Learning Model in Relational Databases [72.72372281808694]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。
最先端のDL-Centricアーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。
UDF-Centricアーキテクチャは、データベースシステム内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
potentialRelation-Centricアーキテクチャは、演算子による大規模テンソル計算を表現することを目的としている。
論文 参考訳(メタデータ) (2023-10-07T06:01:35Z) - Requirements' Characteristics: How do they Impact on Project Budget in a
Systems Engineering Context? [3.2872885101161318]
自然言語要求(NLR)の品質の制御と保証は困難である。
スウェーデン交通庁 (STA) と共同で, 要件の特性が変更要求や予算変更に与える影響について検討した。
論文 参考訳(メタデータ) (2023-10-02T17:53:54Z) - Offline Skill Graph (OSG): A Framework for Learning and Planning using
Offline Reinforcement Learning Skills [0.0]
オフラインのスキルを計画し、現実の環境で複雑なタスクを解くためのフレームワークを提案する。
我々のフレームワークは3つのモジュールから構成されており、エージェントは以前に収集したデータから学習することができる。
複雑なタスクを解くのに必要なロボットアームでテストすることで、我々のアプローチを実証する。
論文 参考訳(メタデータ) (2023-06-23T17:35:02Z) - 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) - ROAD-R: The Autonomous Driving Dataset with Logical Requirements [54.608762221119406]
論理要求付きROADイベント認識データセット(ROAD-R)を紹介する。
ROAD-Rは、論理的制約として表現された要件を持つ、自動運転のための最初の公開データセットである。
我々は、(i)パフォーマンスが良く、(ii)要求自体に準拠することが保証されているモデルを作成するためにそれらを活用できることを示します。
論文 参考訳(メタデータ) (2022-10-04T13:22:19Z) - 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) - Conditional Generative Modeling via Learning the Latent Space [54.620761775441046]
マルチモーダル空間における条件生成のための新しい枠組みを提案する。
潜在変数を使って一般化可能な学習パターンをモデル化する。
推論では、潜伏変数は複数の出力モードに対応する最適解を見つけるために最適化される。
論文 参考訳(メタデータ) (2020-10-07T03:11:34Z) - PaRoT: A Practical Framework for Robust Deep Neural Network Training [1.9034855801255839]
ディープニューラルネットワーク(DNN)は、自律走行車(AV)のような安全クリティカルなシステムに重要な応用を見出している
ブラックボックスの性質による保証のためのユニークな課題の増大により、DNNはこの種のシステムに対する規制の受け入れに根本的な問題を引き起こす。
我々は、人気のあるトレーニングプラットフォーム上で開発された新しいフレームワークPaRoTを導入し、参入障壁を大幅に減らした。
論文 参考訳(メタデータ) (2020-01-07T16:21:49Z)
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。