Sep, 2023

增强人工智能可再现性平台的网络安全需求

PDF
TL;DR通过一个从网络安全角度评估人工智能平台的可再现性的框架，该研究发现目前流行的 AI 可再现性平台 Floydhub、BEAT、Codalab、Kaggle 和 OpenML 中没有一个完全整合了所需的网络安全措施，而 Kaggle 和 Codalab 在安全性、隐私性、易用性和可信度方面表现较好。因此，该研究针对不同用户场景提供了个性化建议，包括个人研究人员、小型实验室和大型公司，强调将特定的网络安全功能整合到 AI 平台中以解决与 AI 可再现性相关的挑战，从而推动该领域的可再现性。此外，该提出的框架还可以应用于其他领域的系统和应用程序的网络安全评估。
computational methodsartificial intelligencereproducibility platformscyber security measuresai platforms
发现论文，激发创造
  • 机器学习的可重复性：术语、建议和开放问题

    本文回顾了当前关于 Artificial Intelligence 的可重复性的文献，并强调了未解决的问题。作者提出了一些建议来提高模型重复性，特别是涉及生物医学和物理人工智能领域的问题。

    Feb, 2023

  • 机器学习驱动研究的可重现性

    面对研究的可重复性危机，机器学习和人工智能研究也面临同样的问题。虽然研究社区已经提出了不同的解决方案如使用机器学习平台，但机器学习驱动的研究的可重复性水平并没有显著提高。本文通过综述相关文献，讨论机器学习驱动研究中的可重复性问题和障碍，并探索工具、实践和干预等潜在驱动因素，提供对于支持机器学习可重复性的不同解决方案可行性的决策支持。

    Jul, 2023

  • 通过可复制性教授人工智能公正性、问责性、保密性和透明度

    本文介绍了阿姆斯特丹大学关于应用可重现性来教授公正、问责、机密和透明的人工智能课程，通过学生论文组和竞赛的形式，将理论和实践知识有机结合，并提出了相关授课指导方针。

    Nov, 2021

  • 训练可复现的深度学习模型

    本文提出了一种系统的方法来训练可重复的深度学习模型，该方法包括评估标准，统一的框架和可重复性指南，能够在不同领域成功复现多个深度学习模型。

    Feb, 2022

  • SECure：针对 AI 系统的社会与环境认证

    该研究提出了一个基于 ESG（环境、社会和治理）框架的计算机辅助机器学习算法，用于构建具有可持续发展性质的 AI 系统，并包括四个支柱：计算效率、联邦学习、数据主权和 LEEDesque 认证。

    Jun, 2020

  • 迈向普及人工智能: AI 即服务平台与机器学习开放空间的比较分析

    通过比较几个热门的 AI 即服务平台并确定实现人工智能真正民主化的关键要求，本文提出了一种新的方法，即 “开放空间机器学习” 平台，它基于 Kubernetes、Kubeflow Pipelines 和 Ludwig 等先进技术，解决了民主化 AI 的挑战，并比现有的 AI 即服务平台更全面和有效。

    Nov, 2023

  • GeoAI 的可重复性和可复制性：计算和空间视角

    GeoAI 研究偏重于 GIScience 文献，本文从计算和空间角度深入分析了 GeoAI 研究的重复性和可复制性，包括验证、学习和适应方法以解决相似或新问题，以及研究结果的普适性。通过深度学习的图像分析任务实例，强调了训练数据选择和使用、GeoAI 模型设计、训练和部署过程中的不确定性，以及地理空间数据和过程的空间异质性对结果的影响。结果强调了知识共享的重要性，并提出了一个综合考虑空间自相关和空间异质性的 “可复制性图” 用于量化 GeoAI 研究的空间可复制性。

    Apr, 2024

  • 提高机器学习研究的可重复性 (来自 NeurIPS 2019 可重复性计划的报告)

    本文介绍了 2019 年 NeurIPS 会议针对机器学习研究推出的可重复性计划，包括代码提交政策、全社区可重复性挑战和将机器学习可重复性清单作为论文提交过程的一部分，阐述了每个组件的部署以及我们从这个计划中学到了什么。

    Mar, 2020

  • 深度学习软件故障预测的可复现性研究

    分析软件工程领域的软件错误预测是否存在与其他机器学习领域相似的可复现性问题，发现大部分研究文章缺乏关键的复现元素，呼吁改进研究实践以确保基于机器学习的研究的可复现性。

    Feb, 2024

  • 复制市场：人工智能复制的结果、经验、挑战和机遇

    本文回顾了行为和社会科学领域以及 DARPA SCORE 项目中使用的方法，特别关注人类预测复制结果的作用，以及预测如何利用相对劳动力和资源密集的复制所获得的信息。探讨了使用这些方法来监测和改进计算机科学，人工智能和机器学习领域中研究可信度的机会和挑战。

    May, 2020