論文の概要: Application of AI to formal methods - an analysis of current trends
- arxiv url: http://arxiv.org/abs/2411.14870v2
- Date: Wed, 27 Aug 2025 20:29:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 13:55:30.548872
- 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: 我々は、AIを形式的手法(FM)に適用する研究論文の現況を概観するために、体系的なマッピング研究を行っている。
4つの主要なデータベースにおいて,包含基準と排雪基準を定義した関連論文を検索し,潜在的な追加情報源を明らかにするために広範囲の雪玉解析を適用した。
定理証明の分野でAIに強い焦点が当てられているのに対して、FMの他のサブフィールドは、あまり表現されていない。
- 参考スコア（独自算出の注目度）: 0.9278012928091801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Context: With artificial intelligence (AI) being well established within the daily lives of research communities, we turn our gaze toward formal methods (FM). FM aim to provide sound and verifiable reasoning about problems in computer science. Objective: We conduct a systematic mapping study to overview the current landscape of research publications that apply AI to FM. We aim to identify how FM can benefit from AI techniques and highlight areas for further research. Our focus lies on the previous five years (2019-2023) of research. Method: Following the proposed guidelines for systematic mapping studies, we searched for relevant publications in four major databases, defined inclusion and exclusion criteria, and applied extensive snowballing to uncover potential additional sources. Results: This investigation results in 189 entries which we explored to find current trends and highlight research gaps. We find a strong focus on AI in the area of theorem proving while other subfields of FM are less represented. Conclusions: The mapping study provides a quantitative overview of the modern state of AI application in FM. The current trend of the field is yet to mature. Many primary studies focus on practical application, yet we identify a lack of theoretical groundwork, standard benchmarks, or case studies. Further, we identify issues regarding shared training data sets and standard benchmarks.
- Abstract（参考訳）: コンテキスト: 研究コミュニティの日常生活において人工知能(AI)が定着しているため、私たちはフォーマルな方法(FM)に目を向ける。
FMは、コンピュータ科学における問題に関する健全で検証可能な推論を提供することを目的としている。
目的: FMにAIを適用した研究論文の現況を概観するために, 系統地図研究を行う。
我々は、FMがAI技術からどのような恩恵を受けるかを特定し、さらなる研究の分野を強調することを目指している。
過去5年間(2019-2023年)の研究に重点を置いています。
方法: 提案した系統地図研究ガイドラインに従って, 4つの主要データベースの関連出版物を検索し, 包含基準, 排雪基準を定義した。
結果: この調査は189項目の結果であり, 現状を探究し, 研究ギャップを浮き彫りにしている。
定理証明の分野でAIに強い焦点が当てられているのに対して、FMの他のサブフィールドは、あまり表現されていない。
結論: このマッピング研究は、FMにおけるAIアプリケーションの現状の定量的概要を提供する。
この分野の現在の傾向はまだ成熟していない。
多くの主要な研究は実践的な応用に焦点を当てているが、理論的な基礎、標準ベンチマーク、ケーススタディの欠如を特定する。
さらに、共有トレーニングデータセットと標準ベンチマークに関する問題を特定する。
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) - AI Techniques in the Microservices Life-Cycle: A Systematic Mapping Study [8.026381963838272]
AI(MS)の利用は、かなりの数の調査で示されているように、新興分野である。
私たちは、DevOpsフェーズにおいて、すべての品質属性(QA)を改善するために、AIテクニックの使用間のすべての可能な接続を明らかにするために、徹底的なアプローチを取っています。
論文 参考訳（メタデータ） (2023-05-25T14:24:37Z) - 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。