.png){kind=icon}
返回
A Fine-Tuned Multi-classifier Optimization Framework Towards Safety-Critical Classes
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-96-7036-9_12.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
确保神经网络在安全关键系统（SCS）中可能做出的有害决策风险最小化至关重要。本文引入了一种相对安全关键性度量，用于定量表征多分类器中不同类别的重要性，依据其在SCS中因误分类引发危害故障的概率。通过该度量，可识别出需要比其他类别更高保护级别的安全关键类别（SCCs），以应对分类任务。针对多分类器，本文提出了一种微调优化框架，旨在最小化其针对SCCs错误操作可能导致的损失。通过在交叉熵损失函数中引入可调惩罚项进行约束，所提出的训练过程能够有效提升SCCs的召回率。对比实验验证了本文工作的有效性，并认为该方法可作为一种优化方案，将现有多分类器迁移至SCS中。
Keyword:
Safety-Critical Systems
Classification Tasks
Safety-Critical Classes
Multi-classifiers
Cross-Entropy Loss
期刊
N
IF:
0
论文数:
20
被引数:
0
机构
引用论文
.png){kind=icon}
iBUST: An intelligent behavioural trust model for securing industrial cyber-physical systemsiBUST: 用于保护工业网络物理系统的智能行为信任模型
OAAI
OAAI分享收藏Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead停止解释高风险决策的黑盒机器学习模型，而改用可解释的模型OAAI
OAAI分享收藏
查看更多内容