Aug, 2023

基于人工智能的软件和系统架构框架：以智能的网络物理系统为焦点

PDF
TL;DR本研究通过建立适应现代应用和组织要求的架构框架，针对数据科学和机器学习相关的利益相关者的需求，提出了用于评估和基准测试 ML-enabled CPS 的标准以及支持用户进行建模和开发管道的工具评估的标准。通过文献回顾、专家访谈和在线问卷调查等多种经验和定性研究方法，我们收集、分析和整合了来自 25 多个国家的 10 多个组织中 77 位专家的意见，以制定和验证所提出的框架。
发现论文，激发创造
  • 使用大型语言模型进行测试学习能力的网络物理系统：一种形式化方法

    通过检查以测试为基础的验证和验证作为最实用的方法，并总结当前先进的方法学，在确保学习能力的 CPS 的形式安全方面，确定了当前测试方法的局限性，并提出了从基础概率测试过渡到更严格方法的路线图，以提供正式保证。

    Nov, 2023

  • 关于集成网络物理系统安全数据集的要素

    本文研究了捕捉系统行为和相互作用所需的 CPS 安全数据集元素，并提出了一个数据集架构，该架构有潜力提高 AI 算法在保障物理系统安全方面的性能。该框架包括数据集元素，攻击表示和所需的数据集特征。我们将现有数据集与所提出的架构进行了比较，以确定当前的局限性，并讨论使用测试平台生成 CPS 数据集的未来。

    Aug, 2022

  • 借鉴 NIST CPS 框架理解和推导 CPS

    本文提出了一个 CPS 的正式定义，并证明了基于这个定义，可以用 ASP 精确地形式化和实现与 CPS 相关的各种问题，包括关注点之间的依赖或冲突，如何缓解问题以及对于给定问题最合适的缓解策略是什么。文章最后讨论了所提出的方法的潜在性。

    Jan, 2022

  • 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

  • 自动机器学习的综合框架

    这篇综述旨在推广对自动化 / 自主机器学习系统的更广阔视角，并探讨整合各种机制和理论框架的最佳方式。主要介绍超参数优化、多组件模型、神经架构搜索、自动特征工程、元学习、多层集成、动态自适应、多目标评估、资源限制、灵活的用户参与和泛化原则的发展。最终得出结论，建立自动化机器学习系统的架构整合是一个值得更深入探讨的重要问题。

    Dec, 2020

  • 为基于模型的 AI 工程开启自动化机器学习

    本文提出了一种新方法，支持自动化机器学习，帮助软件工程师在不需要深入了解人工智能的情况下，选择适当的机器学习模型、算法和技术以及适当的超参数来开发人工智能密集型系统，并进行智能能源领域的案例研究。

    Mar, 2022

  • 物联网的机器学习和软件建模的模型驱动方法

    本研究旨在提出一种综合方法，将软件工程和人工智能社区的模型结合起来，实现驱动智能系统的模型驱动软件开发，主要着重于物联网领域，并通过案例研究和用户评估验证了该方法的可行性和性能提升。

    Jul, 2021

  • 智能物理人系统中有效的人工智能推荐框架

    在涉及人工智能平台向人类决策者提供建议但最终决策责任由人类承担的网络物理人系统中，人类决策者可能因各种原因偏离最优建议决策，本文提出了一个严格的框架来解决这个问题，并建立了最优建议策略的结构属性和人工智能使用的近似人类模型，提供了一个数值实例以说明结果的有效性。

    Mar, 2024

  • 从表现到认知体系结构：一个可扩展的框架

    通过将现实解读为信息源，并将其转化为计算框架，我们提出了一种新颖的建模方法，从而接近于人工通用智能。该框架可以以流动可扩展的分层方式构建经典的认知架构元素，如长期记忆和工作记忆。

    Jun, 2024

  • 机器学习数据集的问责性：源于软件工程和基础设施的实践

    通过严格的数据集开发透明度框架，从软件开发生命周期中提取最佳实践，以决策和问责支持来关闭人工智能系统中的问责差距。

    Oct, 2020