.png){kind=icon}
返回
Reliability modeling for three-version machine learning systems through Bayesian networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ress.2025.111016.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）被广泛应用于人工智能驱动的系统中，包括自动驾驶汽车等安全关键型应用。机器学习模型的输出对真实世界输入数据敏感且易出错，因此提高机器学习系统输出的可靠性已成为机器学习系统设计中的一个关键挑战。在本文中，我们引入N版本机器学习架构以增强机器学习系统的可靠性，并提出贝叶斯网络（BNs）模型，以评估针对三版本机器学习系统的输出可靠性。所提出的BN可靠性模型使我们能够构建五种不同类型的三版本机器学习架构，这些架构由不同的模型和不同的输入数据源组成。为使用来自机器学习系统的真实样本验证BN可靠性模型，我们在交通标志识别任务上进行了实证研究，并评估了预测性能。结果表明，在所有数据集中，观测可靠性与BN可靠性模型预测的可靠性之间的预测残差均小于0.015，这远优于基线模型的预测性能。此外，与未利用贝叶斯网络的先前可靠性模型相比，所提出的模型在可靠性预测方面具有优势，三版本单输入架构除外。
Keyword:
Bayesian networks
Diversity
Machine learning system
N-version programming
Reliability
期刊
R
IF:
11
论文数:
9.0K
被引数:
4.2W
机构
引用论文
.png){kind=icon}
Data-Driven Dynamic Probabilistic Reserve Sizing Based on Dynamic Bayesian Belief Networks基于动态贝叶斯信念网络的数据驱动动态概率储备规模
PREAI
分享收藏Resilience assessment of critical infrastructures using dynamic Bayesian networks and evidence propagation使用动态贝叶斯网络和证据传播对关键基础设施进行弹性评估
PREAI
分享收藏A dynamic Bayesian network based reliability assessment method for short-term multi-round situation awareness considering round dependencies基于动态贝叶斯网络的考虑轮次依赖的短期多轮态势感知可靠性评估方法
PREAI
分享收藏
Probabilistic framework to evaluate the resilience of engineering systems using Bayesian and dynamic Bayesian networks使用贝叶斯和动态贝叶斯网络评估工程系统弹性的概率框架
OAAI
OAAI分享收藏A Bayesian network-based model for risk modeling and scenario deduction of collision accidents of inland intelligent ships基于贝叶斯网络的内河智能船碰撞事故风险建模与情景推演模型
PREAI
分享收藏
查看更多内容