論文の概要: Application of AI to formal methods -- an analysis of current trends

• arxiv url: http://arxiv.org/abs/2411.14870v1
• Date: Fri, 22 Nov 2024 11:43:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:03:37.021971
• Title: Application of AI to formal methods -- an analysis of current trends
• Title（参考訳）: AIの形式的手法への応用 -現状の分析-
• Authors: Sebastian Stock, Jannik Dunkelau, Atif Mashkoor,
• Abstract要約: 形式的方法(FM)は、コンピュータ科学における問題に関する健全で理解可能な推論を提供する。 多くの研究者がこのギャップを越え、FMアプローチを強化するためにAI技術を適用した。 本研究では,従来の5年間のFM応用AIについて検討した。 本調査の結果は189項目であり,現在の傾向の解明,研究ギャップの明確化,今後の研究への提案などについて詳しく検討する。
• 参考スコア（独自算出の注目度）: 1.0323063834827417
• License:
• Abstract: With artificial intelligence (AI) being well established within the daily lives of research communities, we turn our gaze toward an application area that appears intuitively unsuited for probabilistic decision-making: the area of formal methods (FM). FM aim to provide sound and understandable reasoning about problems in computer science, which seemingly collides with the black-box nature that inhibits many AI approaches. However, many researchers have crossed this gap and applied AI techniques to enhance FM approaches. As this dichotomy of FM and AI sparked our interest, we conducted a systematic mapping study to map the current landscape of research publications. In this study, we investigate the previous five years of applied AI to FM (2019-2023), as these correspond to periods of high activity. This investigation results in 189 entries, which we explore in more detail to find current trends, highlight research gaps, and give suggestions for future research.
• Abstract（参考訳）: 人工知能(AI)が研究コミュニティの日常生活の中で定着している今、私たちは、確率的意思決定に直感的に適さないアプリケーション分野、すなわち形式的手法(FM)の分野に目を向けています。 FMは、コンピュータ科学における問題に関する健全で理解可能な推論を提供することを目的としており、これは、多くのAIアプローチを妨げるブラックボックスの性質と衝突しているように見える。 しかし、多くの研究者がこのギャップを越え、FMアプローチを強化するためにAI技術を適用した。 FMとAIのこの二分法が私たちの関心を喚起したので、我々は研究論文の現在の風景を地図化するための体系的なマッピング研究を行った。 本研究では,過去5年間のFM応用AI(2019-2023)を高活動期間に対応するものとして検討した。 本調査の結果は189項目であり,現在の傾向の解明,研究ギャップの明確化,今後の研究への提案などについて詳しく検討する。

関連論文リスト

• Unveiling Latent Topics in Robotic Process Automation -- an Approach based on Latent Dirichlet Allocation Smart Review [0.0]
  本研究は, RPAに関連する潜在トピックを明らかにすることで, RPAとその側面の科学マップを作成することを目的とする。 遅延ディリクレ割当に基づく教師なし機械学習手法を用いて2000以上の論文の要約を分析することができた。 このうち、100の異なる研究トピックが発見され、そのうち15のトピックが私たちが提供しているサイエンスマップに含まれています。
  論文  参考訳（メタデータ） (2024-04-08T20:03:06Z)
• Gradient based Feature Attribution in Explainable AI: A Technical Review [13.848675695545909]
  ブラックボックスAIモデルの急増は、内部メカニズムを説明し、信頼性を正当化する必要性を喚起している。 勾配に基づく説明は、ニューラルネットワークモデルに直接適用することができる。 アルゴリズムの性能を測定するために,人的評価と定量的評価の両方を導入する。
  論文  参考訳（メタデータ） (2024-03-15T15:49:31Z)
• Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
  基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。 我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。 データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
  論文  参考訳（メタデータ） (2024-02-06T02:29:17Z)
• ChatGPT and Beyond: The Generative AI Revolution in Education [0.21756081703275998]
  この調査は、2022年11月から2023年7月までに出版された学術文献を調査している。 教育における生成AIモデル、特にChatGPTの役割の進化を照らすことを目的としている。 このレビューの結果は、教育者、研究者、政策立案者に対して、AI技術の学習環境への統合に関する情報的な決定を下すよう促す。
  論文  参考訳（メタデータ） (2023-11-26T05:34:22Z)
• Learn From Model Beyond Fine-Tuning: A Survey [78.80920533793595]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
  マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。 この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる 本調査では,I-CMRの3段階分類法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T05:06:48Z)
• Artificial intelligence adoption in the physical sciences, natural sciences, life sciences, social sciences and the arts and humanities: A bibliometric analysis of research publications from 1960-2021 [73.06361680847708]
  1960年には333の研究分野の14%がAIに関連していたが、1972年には全研究分野の半分以上、1986年には80%以上、現在では98%以上まで増加した。 1960年には、333の研究分野の14%がAI(コンピュータ科学の多くの分野)に関連していたが、1972年までに全研究分野の半分以上、1986年には80%以上、現在では98%以上まで増加した。 我々は、現在の急上昇の状況が異なっており、学際的AI応用が持続する可能性が高いと結論付けている。
  論文  参考訳（メタデータ） (2023-06-15T14:08:07Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• Characterising Research Areas in the field of AI [68.8204255655161]
  トピックの共起ネットワーク上でクラスタリング分析を行うことで,主要な概念テーマを特定した。 その結果は、ディープラーニングや機械学習、物のインターネットといった研究テーマに対する学術的関心の高まりを浮き彫りにしている。
  論文  参考訳（メタデータ） (2022-05-26T16:30:30Z)
• Systematic Mapping Study on the Machine Learning Lifecycle [4.4090257489826845]
  2005年から2020年にかけて出版された405の出版物は、5つの主要な研究トピック、31のサブトピックにマップされています。 少数の出版物がデータ管理とモデル生産の問題に焦点を合わせており、より多くの研究が全体論的観点からAIライフサイクルに対処すべきであると考えている。
  論文  参考訳（メタデータ） (2021-03-11T11:44:23Z)

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。