通过将 FMEA 模型转化为马尔科夫决策过程，我们提供了一个正式的框架来实现自动计划和操作，不仅可以支持医学专家在建模过程中应用，还可以自动确定对患者治疗的最佳治疗方案。

May, 2024

本研究针对安全关键应用领域，提出了针对 CPS 系统进行模拟测试的安全验证技术。文中归纳了针对优化、路径规划、强化学习和重要性采样等技术进行的算法改进，并介绍了用于应对 CPS 软硬件状态空间巨大的问题分解技术。此外，本研究对自动驾驶汽车和飞行器防撞系统等领域的安全验证工具进行了总结。

May, 2020

基于机器学习的预测性诊断和健康监测工具为制造商提供了新的机会，以风险优化的方式运营和维护设备，并在其生命周期内更可持续地利用。然而，在大多数工业环境中，数据往往数量有限，质量也可能不一致，这对开发和运行可靠的机器学习模型至关重要。为了弥补这一实践中的差距，成功工业化的预测性诊断和健康监测工具依赖于引入领域专业知识作为先验，以实现足够准确的预测，并提高其可解释性。因此，发展数据驱动的预测性诊断和健康监测工具的关键挑战之一在于将维护人员、开发人员和服务工程师的经验和过程知识转化为数据结构，该结构不仅必须捕捉到专业知识的多样性和变异性，还必须使这些知识能够让各种数据驱动算法访问。这导致数据模型严重依赖于特定应用程序和开发团队旨在检测或预测的故障模式，缺乏标准化方法限制了开发的可扩展性和可转移性，并阻碍了标准数据管理和 MLOps 工具的利用，增加了开发团队的负担。DeepFMEA 从故障模式与影响分析（FMEA）中汲取灵感，以其结构化的方法分析任何技术系统和由此产生的标准化数据模型，同时考虑到捕捉过程和维护专业知识的关键方面，以对领域专家直观，并使得所得信息可以作为先验引入机器学习算法。

May, 2024

该研究提出了一种基于流的多模态安全关键场景生成器用于评估决策算法的鲁棒性，并使用六个强化学习算法进行实验，从而得出了它们的鲁棒性。

Sep, 2020

我们提出了一种贝叶斯方法，将元学习策略与多臂老虎机框架相结合，以加速自动系统的故障检测、减少模拟运行时间，并通过学习参数和准确模拟的分布来评估新场景中的学习速度。通过在先进的 3D 驾驶模拟器中应用 16 个保真设置来展示我们的方法，以评估基于自动化车辆事故前个体的各种场景，结果表明与仅依赖于高保真模拟器的传统方法相比，我们的方法加快了模拟速度，最多高出 18 倍。

Sep, 2023

通过探讨与保障支持因为设计而参数要求（例如安全性、安全性和可靠性）的合规性的确证缺陷检测、模式依赖以改善确证方案结构、改进现有确证方案符号以及（半）自动化确证方案生成等方面的挑战，提出了一些可能的解决方向。

Jan, 2024

本文提出了一种基于概率方法的安全性评估模拟方法，能够快速地对危险事件进行探测和评估，并证明了方法在统计和计算效率方面的优越性，最后在多种场景下进行了测试，证明了该方法对于开发和测试安全关键自主系统的敏感性分析和模型比较的重要性。

Aug, 2020

本文提出了一种基于贝叶斯优化的安全验证算法，它通过迭代地适配概率代理模型来高效预测故障，并通过重要性采样来估计操作域内的故障概率。经实验表明，该算法在减少样本数和各种安全验证指标方面表现良好，并可用于补充机器学习组件的 FAA 认证过程。

May, 2023

本研究使用深度强化学习算法解决在 NFV-enabled MEC 环境下的部分卸载和服务功能链映射问题，旨在在执行延迟，移动设备的能量消耗和边缘计算的使用费用方面优化。研究结果表明，所提出的算法在累积和平均随机回报方面优于三种深度强化学习算法的组合，并在执行延迟，能量消耗和使用费用方面胜过众多基准算法。

May, 2022

提出了一种基于机器学习的软件框架 ANAlYSE，用于在包括电力系统、信息与通信技术（ICT）和能源市场在内的冲击 - 物理能源系统中自主寻找攻击和漏洞，实现对系统安全的保护。

Apr, 2023