Fugu-MT 論文翻訳(概要): Causal Models in Requirement Specifications for Machine Learning: A vision

論文の概要: Causal Models in Requirement Specifications for Machine Learning: A vision

arxiv url: http://arxiv.org/abs/2502.11629v1
Date: Mon, 17 Feb 2025 10:20:17 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-18 14:14:22.986130
Title: Causal Models in Requirement Specifications for Machine Learning: A vision
Title（参考訳）: 機械学習に必要な仕様の因果モデル:ビジョン
Authors: Hans-Martin Heyn, Yufei Mao, Roland Weiss, Eric Knauss,
Abstract要約: 本稿では,要求工学(RE)活動としての因果モデリングについて考察する。本稿では,低レベルの事前知識から低レベルのモデルとデータ要求を抽出するワークフローを提案する。この手法は産業用故障検出システムで実証されている。
参考スコア（独自算出の注目度）: 4.348086726793516
License:
Abstract: Specifying data requirements for machine learning (ML) software systems remains a challenge in requirements engineering (RE). This vision paper explores causal modelling as an RE activity that allows the systematic integration of prior domain knowledge into the design of ML software systems. We propose a workflow to elicit low-level model and data requirements from high-level prior knowledge using causal models. The approach is demonstrated on an industrial fault detection system. This paper outlines future research needed to establish causal modelling as an RE practice.
Abstract（参考訳）: 機械学習(ML)ソフトウェアシステムのデータ要求を特定することは、要求工学(RE)において依然として課題である。本稿では、MLソフトウェアシステムの設計に事前ドメイン知識を体系的に統合できるREアクティビティとしての因果モデリングについて検討する。因果モデルを用いて,高レベルの事前知識から低レベルのモデルとデータ要求を抽出するワークフローを提案する。この手法は産業用故障検出システムで実証されている。本稿では,RE実践としての因果モデリングの確立に必要な今後の研究について概説する。

関連論文リスト

Digital requirements engineering with an INCOSE-derived SysML meta-model [0.0]
我々は、モデルベース構造化要求SysMLプロファイルを拡張して、要求書作成のためのINCOSEガイドに準拠します。結果のSysMLプロファイルはNASAジェット推進研究所の2つのシステムアーキテクチャモデルに適用された。
論文参考訳（メタデータ） (2024-10-12T03:06:13Z)
Towards Synthetic Trace Generation of Modeling Operations using In-Context Learning Approach [1.8874331450711404]
本稿では,イベントログのモデリング,インテリジェントなモデリングアシスタント,モデリング操作の生成を組み合わせた概念的フレームワークを提案する。特に、アーキテクチャは、設計者がシステムを指定するのを助け、その操作をグラフィカルなモデリング環境内で記録し、関連する操作を自動的に推奨する、モデリングコンポーネントから構成される。
論文参考訳（メタデータ） (2024-08-26T13:26:44Z)
Model Merging in LLMs, MLLMs, and Beyond: Methods, Theories, Applications and Opportunities [89.40778301238642]
モデルマージは、機械学習コミュニティにおける効率的なエンパワーメント技術である。これらの手法の体系的かつ徹底的なレビューに関する文献には大きなギャップがある。
論文参考訳（メタデータ） (2024-08-14T16:58:48Z)
On-device Training: A First Overview on Existing Systems [6.551096686706628]
リソース制約のあるデバイスにいくつかのモデルをデプロイする努力も行われている。この研究は、デバイス上でモデルトレーニングを可能にする最先端のシステム研究を要約し、分析することを目的としている。
論文参考訳（メタデータ） (2022-12-01T19:22:29Z)
Learnware: Small Models Do Big [69.88234743773113]
自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
論文参考訳（メタデータ） (2022-10-07T15:55:52Z)
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)
Retrieval-Enhanced Machine Learning [110.5237983180089]
本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
論文参考訳（メタデータ） (2022-05-02T21:42:45Z)
Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
論文参考訳（メタデータ） (2022-02-22T02:33:54Z)
Concept for a Technical Infrastructure for Management of Predictive Models in Industrial Applications [0.0]
モデル管理システムの技術的概念について述べる。このコンセプトには、データのバージョニングストレージ、さまざまな機械学習アルゴリズムのサポート、モデルの微調整、その後のモデルのデプロイ、デプロイ後のモデルパフォーマンスの監視が含まれる。
論文参考訳（メタデータ） (2021-07-29T08:38:46Z)
Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文参考訳（メタデータ） (2020-03-11T08:25:49Z)
Engineering AI Systems: A Research Agenda [9.84673609667263]
私たちは、企業が機械学習を採用する際に経験する典型的な進化パターンの概念化を提供します。論文の主なコントリビューションは、MLソリューションを取り巻く重要なエンジニアリング課題の概要を提供する、AIエンジニアリングに関する研究アジェンダである。
論文参考訳（メタデータ） (2020-01-16T20:29:48Z)

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。