Jul, 2023

以数据为中心的运营设计域特征描述，针对基于机器学习的航空产品

PDF
TL;DR研究 ML 技术在航空产品中的应用，提出数据为中心的 ODD 定义方法，解释了这些数据对 ML 模型构建、系统层次影响、学习保证过程及系统架构等的作用。
operational design domainsmachine learningaeronautical productsml modelssystem hierarchy
发现论文，激发创造
  • 如何设计符合基于机器学习系统的 ODD 的数据集

    本研究聚焦于基于视觉的着陆任务，展示了符合机器学习系统操作设计领域（ODD）的数据集的设计和验证。通过借鉴新兴的认证标准，我们描述了在系统和图像级别建立 ODDs 的流程。在该过程中，我们将高级系统约束转化为可操作的图像级属性，从而定义了可验证的数据质量要求 (DQRs)。为了阐述这种方法，我们使用了 Landing Approach Runway Detection (LARD) 数据集，结合了合成图像和真实画面，并侧重于验证 DQRs 所需的步骤。本论文中提出的可复制框架解决了为安全关键应用中基于 ML 的系统认证设计符合严格需求的挑战。

    Jun, 2024

  • 基于场景的深度生成模型用于自动列车的安全验证

    利用深度生成模型的数据模拟实用性来对场景 - based ODD 进行验证，并分析系统在不同光照和天气条件下以及在其之间过渡时的运作程度。

    Oct, 2023

  • 度量学习与自适应边界用于域外检测

    设计了一种基于度量学习和自适应决策边界的 OOD 检测算法，相较于其他算法，在类别数量较少的情况下显著提高 OOD 性能，保持了 IND 类别的准确性。

    Apr, 2022

  • 医疗领域的离群样本检测基准测试

    本文定义三类 Out-of-Distribution Detection 的示例，并在医学图像的三个领域中对常见的方法进行基准测试。结果表明，尽管这些方法对某些类别的 OOB 样本产生良好结果，但它们未能识别接近训练数据分布的图像，作者发现简单的二元分类器在特征表示上具有最佳的平均精度和 AUPRC。

    Jul, 2020

  • 机器学习模型中的域泛化在无线通信中的应用：概念，现状和开放问题

    该论文综述了近年来在无线通信领域使用机器学习和领域泛化方法的研究进展，重点讨论了如何使用不同数据源进行域泛化，以应对实际应用中源数据和目标数据之间的分布偏移所带来的挑战。

    Mar, 2023

  • 以数据为导向架构视角的实际机器学习系统调查

    本文主要讨论了在现实生活中，应用机器学习的算法所面临的各种挑战，提出了数据导向架构（DOA）作为一种解决方案，探讨了现有的基于机器学习的实际系统是否实现了 DOA 的原则，并提出了 DOA 进一步发展的研究方向和挑战。

    Feb, 2023

  • 学习可推广到分布外的模块化结构

    本文提出一种针对机器学习系统中的 O.O.D. generalization 挑战的方法，通过训练鼓励模型仅保留在多个训练领域中被很好地重用的网络特征，结合两种互补的神经元级约束器和网络上的可微分二进制蒙版，提取模块化子网络以达到更好的 O.O.D. 性能。初步评估在两个基准数据集上证实了我们方法的优势。

    Aug, 2022

  • 低分辨率雷达微多普勒信号的接近于区分外分布

    本研究介绍了一种基于深度学习和传统方法的方案，用于实现雷达目标检测中的区分类似数据点且不需要监督的方法。通过对微多普勒信号的模拟研究，本文介绍了用于鉴别数据点所需要的特定监督要求，并讨论了训练中标签异常对训练集污染的影响。

    May, 2022

  • DOMINO++：面向领域感知的深度学习泛化能力的损失规范化

    本文介绍了 DOMINO++，这是一种面向 OOD 泛化能力的双引导和动态领域感知损失正则化方法，它整合了专家引导和数据引导的知识，通过对合成噪声、旋转数据以及不同磁共振成像扫描仪的真实数据进行综合评估，证明了 DOMINO++ 在真实临床数据上提高了可靠的 DL 部署性能。

    Aug, 2023

  • 无需领域内标签：文本领域外检测

    本研究旨在解决无法获取 in-domain 数据标签的情况下，从语言模型和表示学习的角度，通过无监督的聚类和对比学习的结合，对 OOD 检测进行更好的数据表示学习，实验证明该方法的性能显著优于基于概率的方法，并且可以与基于标签信息的监督方法竞争。

    Mar, 2022