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
- TinyLLM: A Framework for Training and Deploying Language Models at the Edge Computers [0.8499685241219366]
言語モデルは、モデルがますます大きなパラメータサイズに拡大されるにつれて出現する汎用機能のために、大きな関心を集めている。
大規模モデルはコンピュータシステムに厳格な要求を課し、推論に重要なメモリと処理の要求を必要とする。
これにより、モバイルとエッジデバイスでの推論が難しくなり、しばしばネットワークコールを介してリモートホストされたモデルを呼び出す必要がある。
論文 参考訳(メタデータ) (2024-12-19T12:28:27Z) - A Comprehensive Sustainable Framework for Machine Learning and Artificial Intelligence [18.510632104241523]
持続可能な機械学習の4つの重要な柱は、公正性、プライバシー、解釈可能性、温室効果ガスの排出である。
それぞれの柱の間には固有のトレードオフがあり、一緒に考えることがより重要である。
本稿では、持続可能な機械学習のための新しいフレームワークの概要と、汎用AIパイプラインであるFPIGを提案する。
論文 参考訳(メタデータ) (2024-07-17T09:54:19Z) - 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) - 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) - FedYolo: Augmenting Federated Learning with Pretrained Transformers [61.56476056444933]
本研究では,デバイス上での学習目標を達成するための事前学習型トランスフォーマー(PTF)について検討する。
大規模化により,代替手法間の精度ギャップが小さくなり,ロバスト性も向上することを示す。
最後に、クライアントは単一のPTFを使用して複数の無関係なタスクを同時に解決できる。
論文 参考訳(メタデータ) (2023-07-10T21:08:52Z) - 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) - Design Automation for Fast, Lightweight, and Effective Deep Learning
Models: A Survey [53.258091735278875]
本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。
これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。
この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
論文 参考訳(メタデータ) (2022-08-22T12:12:43Z) - 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)
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。