論文の概要: A Computationally Efficient Learning of Artificial Intelligence System Reliability Considering Error Propagation
- arxiv url: http://arxiv.org/abs/2603.18201v1
- Date: Wed, 18 Mar 2026 18:53:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:05.812656
- Title: A Computationally Efficient Learning of Artificial Intelligence System Reliability Considering Error Propagation
- Title（参考訳）: 誤り伝播を考慮した人工知能システムの信頼性の計算論的学習
- Authors: Fenglian Pan, Yinwei Zhang, Yili Hong, Larry Head, Jian Liu,
- Abstract要約: 本稿では、物理に基づく自動運転車シミュレーションプラットフォームを用いて、AIシステムの信頼性分析のための高品質なデータを生成する。
ステージ間のエラー伝搬を明示的に特徴付ける新しい信頼性モデリングフレームワークを開発した。
自律走行車認識システムに対する信頼性モデリングへの応用は、その予測精度と計算効率を示す。
- 参考スコア（独自算出の注目度）: 4.088049786040034
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial Intelligence (AI) systems are increasingly prominent in emerging smart cities, yet their reliability remains a critical concern. These systems typically operate through a sequence of interconnected functional stages, where upstream errors may propagate to downstream stages, ultimately affecting overall system reliability. Quantifying such error propagation is essential for accurate modeling of AI system reliability. However, this task is challenging due to: i) data availability: real-world AI system reliability data are often scarce and constrained by privacy concerns; ii) model validity: recurring error events across sequential stages are interdependent, violating the independence assumptions of statistical inference; and iii) computational complexity: AI systems process large volumes of high-speed data, resulting in frequent and complex recurrent error events that are difficult to track and analyze. To address these challenges, this paper leverages a physics-based autonomous vehicle simulation platform with a justifiable error injector to generate high-quality data for AI system reliability analysis. Building on this data, a new reliability modeling framework is developed to explicitly characterize error propagation across stages. Model parameters are estimated using a computationally efficient, theoretically guaranteed composite likelihood expectation - maximization algorithm. Its application to the reliability modeling for autonomous vehicle perception systems demonstrates its predictive accuracy and computational efficiency.
- Abstract（参考訳）: 人工知能(AI)システムは、新興のスマートシティではますます顕著になっているが、その信頼性は依然として重要な懸念点である。
これらのシステムは通常、一連の相互接続された機能段階を通して動作し、上流のエラーが下流のステージに伝播し、最終的にはシステム全体の信頼性に影響を与える。
このようなエラー伝搬の定量化は、AIシステムの信頼性の正確なモデリングに不可欠である。
しかし、この課題は以下の理由により困難である。
i) データの可用性: 現実のAIシステムの信頼性データは、しばしばプライバシー上の懸念によって不足し、制約される。
二 モデルの有効性 逐次的な段階にわたるエラーイベントが相互依存しており、統計的推測の独立の前提に違反していること。
三 計算複雑性:AIシステムは大量の高速データを処理し、その結果、追跡と解析が困難である頻繁で複雑な繰り返しエラーイベントが発生する。
これらの課題に対処するため、本稿では、正しいエラーインジェクタを備えた物理ベースの自動運転車シミュレーションプラットフォームを活用し、AIシステムの信頼性分析のための高品質なデータを生成する。
このデータに基づいて、ステージ間のエラー伝搬を明示的に特徴付けるために、新しい信頼性モデリングフレームワークが開発された。
モデルパラメータは、計算効率が高く、理論的に保証された複合期待予想-最大化アルゴリズムを用いて推定される。
自律走行車認識システムに対する信頼性モデリングへの応用は、その予測精度と計算効率を示す。
関連論文リスト
- An explainable hybrid deep learning-enabled intelligent fault detection and diagnosis approach for automotive software systems validation [2.7082111912355877]
ASSのリアルタイム検証プロセスから記録を解析するインテリジェントモデルを開発した。
説明可能なAI技術(IGs、DeepLIFT、Gradient SHAP、DeepLIFT SHAP)の活用は、モデル適応と根本原因分析(RCA)の促進に役立った。
論文 参考訳（メタデータ） (2026-03-09T09:46:28Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Control Analysis and Design for Autonomous Vehicles Subject to Imperfect AI-Based Perception [12.672967565682724]
安全は自律走行車(AV)システムにおいて重要な問題であり、特にAIベースの知覚・知覚モジュールが関与する場合に重要である。
本稿ではAIベースのAVのための新しいモデリング、分析、合成ツールを開発することを目的とする。
論文 参考訳（メタデータ） (2025-09-15T17:03:21Z) - SCENT: Robust Spatiotemporal Learning for Continuous Scientific Data via Scalable Conditioned Neural Fields [11.872753517172555]
SCENTは、スケーラブルで連続性に富んだモデリング学習のための新しいフレームワークである。
SCENTは単一のアーキテクチャ内で表現、再構築、予測を統一する。
我々はSCENTを広範囲なシミュレーションと実世界の実験により検証し、最先端の性能を実証した。
論文 参考訳（メタデータ） (2025-04-16T17:17:31Z) - A Theoretical Perspective: How to Prevent Model Collapse in Self-consuming Training Loops [55.07063067759609]
高品質なデータは大規模な生成モデルのトレーニングには不可欠だが、オンラインで利用可能な実際のデータの膨大な蓄積はほとんど枯渇している。
モデルは、さらなるトレーニングのために独自のデータを生成し、自己消費訓練ループ(STL)を形成する。
一部のモデルは劣化または崩壊するが、他のモデルはこれらの失敗をうまく回避し、理論的な理解にかなりのギャップを残している。
論文 参考訳（メタデータ） (2025-02-26T06:18:13Z) - MIBP-Cert: Certified Training against Data Perturbations with Mixed-Integer Bilinear Programs [50.41998220099097]
トレーニング中のデータエラー、汚職、中毒攻撃は、現代のAIシステムの信頼性に大きな脅威をもたらす。
混合整数双線形プログラミング(MIBP)に基づく新しい認証手法MIBP-Certを紹介する。
摂動データや操作データを通じて到達可能なパラメータの集合を計算することで、可能なすべての結果を予測することができ、堅牢性を保証することができる。
論文 参考訳（メタデータ） (2024-12-13T14:56:39Z) - Timeseries-aware Uncertainty Wrappers for Uncertainty Quantification of
Information-Fusion-Enhanced AI Models based on Machine Learning [0.0]
時系列データに対する信頼性の高い不確実性推定のための時系列認識型不確実性ラッパーを提案する。
本研究では,情報融合によるモデル精度の向上と,不確実性推定の品質向上が可能であることを示す。
論文 参考訳（メタデータ） (2023-05-24T08:24:54Z) - AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。
AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z)
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。
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。