一种基于交互因果关系的自适应机器学习模型部署的网络制造物联网系统
自适应机器学习应用于变化环境下的模型自适应,通过实现与因果相关的数据流自我标记方法,结合多变量因果关系和辅助模型的应用,提出了针对多变量因果图的自标记应用框架及评估方法。
Apr, 2024
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
本文介绍了利用机器学习技术进行工业物联网系统的安全性分析,漏洞评估和入侵检测,并在真实测试环境中验证了基于机器学习的异常检测系统在检测后门、命令注入和 SQL 注入攻击方面的有效性。
Nov, 2019
通过使用多个模型,我们提出了一种用于管理与机器学习模型相关的运行时不确定性的机器学习模型平衡器的概念,并引入了 AdaMLS,一种新颖的自适应方法,它利用这个概念并扩展了传统的 MAPE-K 循环以实现连续的机器学习系统自适应。AdaMLS 通过使用轻量级无监督学习进行动态模型切换,从而确保了一致的服务质量。通过一个自适应目标检测系统原型,我们展示了 AdaMLS 在平衡系统和模型性能方面的有效性。初步结果表明,AdaMLS 在服务质量保证方面超过了天真方法和单一最先进的模型,标志着在动态环境中实现自适应机器学习系统的优化服务质量的进展。
Aug, 2023
机器学习在分布式计算系统中被广泛应用于解释和预测行为,特别是在物联网设备产生大量数据时,通过边缘设备进行数据处理和机器学习训练。为了保证服务质量,系统通过机器学习进行监督和动态调整。然而,如果机器学习模型长时间不进行重新训练,它们可能无法准确捕捉到变量分布的渐变变化,导致对系统状态的错误预测。此外,随着预测准确度的降低,报告设备应主动解决不确定性以提高模型的精确性。脑神经科学中的主动推理(Active Inference)概念可以提供这种自主决策的能力,它描述了大脑如何不断预测和评估感觉信息以减少长期的惊奇感。我们在一个智能制造案例中实现了这些概念,通过一个单一的行动 - 感知循环实现了分布式智能体,展示了我们的主动推理代理能够在满足服务质量要求的同时快速和可追溯地解决优化问题。
Nov, 2023
本文介绍了一个基于语义低代码工程的 ML 应用程序框架,名为 SeLoC-ML,利用语义 Web 技术来支持在工业物联网(IIoT)中快速开发 ML 应用程序,使非专业人士能够轻松建模、发现、复用和匹配 ML 模型和设备。SeLoC-ML 在至少降低三倍的工程努力方面显示了效率和实用性。
Jul, 2022
本文评估了处理物联网数据挑战的不同机器学习方法,以智能城市为主要案例。该研究的关键贡献是提供一个机器学习算法分类法,阐述如何应用不同技术从数据中提取高层次信息。此外,还讨论了机器学习在物联网数据分析中的潜力和挑战,并介绍了应用支持向量机(SVM)在奥尔胡斯智能城市交通数据上的案例。
Feb, 2018
提出了一种面向资源受限设备的分散协作机器学习框架,使用了基于原型的增量学习算法、基于随机的模型交换协议以及用于预测和原型创建的两种算法。与典型的集中式增量学习方法相比,在准确性、训练时间和鲁棒性方面取得了非常有前景的结果。
Dec, 2023
本文探讨了一种使用机器学习找到最优配置并将搜索空间限制在这些配置中的方法,以应对系统运行期间不一致性的挑战,并在机器人任务中进行了实验。
Mar, 2019
该论文详细介绍了自动化机器学习系统 - YMIR 的开发和实现,通过图形界面与用户交互,使非 AI 专业人士可以轻松地进行数据标记、模型训练、数据挖掘和模型评估。该系统的特点包括:使用 docker 容器进行模型训练和推断;任务和资源管理;标签软件集成;以及使用重建的协作开发范式实现 HCI(人机交互)。此外,该论文还提供了使用该系统训练模型的案例研究。
Mar, 2022