Nov, 2023

管理基于机器学习应用非功能性行为：一种多模型方法

PDF
TL;DR现代应用越来越依赖于机器学习模型，其非确定性行为影响着从设计到操作的整个应用程序生命周期。这篇论文提出了一种基于动态分类器选择的多模型方法，它通过持续评估和替换模型来保证机器学习应用的稳定非功能行为，特别关注公平性的非功能属性。
发现论文，激发创造
  • 面向基于机器学习的分布式系统的认证

    本文分析了目前认证方案存在的挑战和不足，讨论了开放的研究问题，并针对基于机器学习的分布式系统提出了第一个认证方案。

    May, 2023

  • 深度学习模型解释 - 一种贝叶斯非参数方法

    本研究提出了一种新的技术方法，将贝叶斯非参数回归混合模型与多个弹性网络相结合，从而提取目标模型的可推广见解。通过在图像识别的上下文中对不同的机器学习模型进行评估，实验结果表明，我们提出的方法不仅在解释个别决策方面优于现有技术，而且为用户提供了发现目标机器学习模型漏洞的能力。

    Nov, 2018

  • 机器学习系统可靠性的整体评估

    该研究提出了一个综合评估机器学习系统可靠性的方法，侧重考虑诸如敌对攻击、性能下降以及算法技术等方面的问题，并对 500 多个模型进行了分析，为未来的研究和发展提供了指导。

    Jul, 2023

  • 在机器学习项目中，通过偏差检测拓展具有可变性感知的模型选择

    该论文描述了将一个具有偏差检测的自适应可变性感知模型选择方法扩展到机器学习项目中的工作，该方法通过使用基于文献中提出的启发式方法的特征模型来对影响模型选择的因素的可变性进行建模，并在一个特定的案例研究中进行实验证明了该方法的有效性，并为机器学习项目中的模型选择提供了非特定、自适应和可解释的过程。

    Nov, 2023

  • 用于大规模多任务动态 ML 系统的持续发展方法论

    研究利用模块化模型和连续开发方法来生成多任务机器学习模型，以实现多次设计和评估迭代的整合，从而生成一个能够解决 124 个图像分类任务的机器学习模型，并达到了最优质量和改进的规模和计算成本。

    Sep, 2022

  • 基于人工和匿名训练的多分类器故障预测模型，确保数据隐私

    本文提出了一种新颖的非侵入式系统故障预测技术，该技术利用开发人员提供的信息和原始日志中的最小信息（而不是挖掘整个日志），并将数 据完全保留在数据所有者的管辖范围内。

    Sep, 2022

  • 学习连续物理模型

    通过运用数值分析理论建立的收敛性测试方法，验证机器学习模型是否准确地学习了某个系统本质的连续动力学过程，成功的模型能够更好地插值和外推，为科学预测提供更精确的数学手段。

    Feb, 2022

  • 机器学习系统的质量管理

    本文提出了一个基于现有进展的全面质量管理框架视角，并确定了软件工程研究的新领域，以实现更可靠的人工智能。

    Jun, 2020

  • 应用机器学习分析软件质量测试

    本文利用机器学习对可用数据进行了操作并计算出了累计软件故障程度。应用机器学习预测软件的残余缺陷，以准确预测软件故障是本文的总体目标。

    May, 2023

  • 朝向持续学习的应用性能模型

    基于机器学习的性能模型在构建关键的作业调度和应用程序优化决策中越来越被使用。我们开发了持续学习性能模型，考虑到数据分布漂移，减轻灾难性遗忘，并提高泛化能力。我们的最佳模型能够保持准确性，无论系统变化引起的新数据分布，同时相比于朴素方法，在整个数据序列的预测准确度上提升了 2 倍。

    Oct, 2023