.png){kind=icon}
返回
Machine Learning Product Line Engineering: A Systematic Reuse Framework
.png){kind=icon}
OA
AI
DOI：10.3390/make7030058.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）正越来越多地应用于各个领域，处理诸如预测分析、异常检测和决策制定等任务。许多这些应用共享相似的基础任务，为系统性复用提供了潜力。然而，现有的ML复用往往零散、小规模且非结构化，专注于预训练模型或数据集等孤立组件，缺乏统一的框架。产品线工程（PLE）是传统工程中实现大规模系统性复用的成熟方法，它能够高效管理产品族中的核心资产，如需求、模型和代码。然而，传统PLE并未设计用于处理ML特有的资产——如数据集、特征管道和超参数——并且与ML系统的迭代、数据驱动工作流不一致。为弥补这一差距，我们提出了机器学习产品线工程（ML PLE），这是一个将PLE原则适配于ML系统的框架。与传统的ML复用方法（如迁移学习或微调）不同，我们的框架引入了一种系统性的、可变性感知的复用方法，覆盖了ML开发的整个生命周期，包括数据集、管道、模型和配置资产。所提出的框架介绍了ML PLE的关键需求以及针对机器学习密集型系统的生命周期过程。我们通过在航天系统背景下的工业案例研究来说明该方法，其中ML PLE被应用于卫星任务的数据分析。
Keyword:
Machine Learning Product Line Engineering
systematic reuse
machine learning lifecycle
variability-aware reuse
industrial case study
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
6
论文数:
841
被引数:
1.8K
机构
暂无机构信息
引用论文
分享收藏Optuna.png)
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
PREAI
分享收藏Optimizing Data Pipelines for Machine Learning in Feature Stores刘, R.; 朴, K.; 普萨拉迪斯, F.; 朱, X.; 莫, J.; 森, R.; 因特兰迪, M.; 卡拉纳索斯, K.; 田, Y.; 卡马乔-罗德里格斯, J. 优化特征存储中的机器学习数据流水线. VLDB 会刊. 2023, 16, 4230–4239. [谷歌学术] [ CrossRef ]
PREAI
分享收藏Data Sensitivity and Domain Specificity in Reuse of Machine Learning Applications机器学习应用程序重用中的数据敏感性和领域特异性
OAAI
OAAI分享收藏An Overview of Machine Learning Techniques for Onboard Anomaly Detection in Satellite Telemetry*墨菲, J.; 瓦德, J.E.; 麦克纳米, B. 卫星遥测数据机载异常检测的机器学习技术概述. 2023年欧洲数据处理与数据管理会议(EDHPC)论文集, 法国 Juan Les Pins, 2023年10月2～6日, 第1～6页. [谷歌学术] [ CrossRef ]
PREAI
分享收藏
查看更多内容