在本文中，我们建议采用MDE范式来开发机器学习（ML）的软件系统，重点关注物联网（IoT）域。我们说明了如何将两种最先进的开源建模工具，即蒙蒂安娜和ML-Quadrat用于此目的，如案例研究所证明的那样。案例研究说明了使用ML使用MNIST参考数据集对手写数字的自动图像识别的ML，特别是深人造神经网络（ANN），并将机器学习组件集成到物联网系统中。随后，我们对两个框架进行了功能比较，设置了一个分析基础，以包括广泛的设计考虑因素，例如问题域，ML集成到较大系统中的方法以及支持的ML方法以及主题最近对ML社区的强烈兴趣，例如Automl和MLOP。因此，本文的重点是阐明ML域中MDE方法的潜力。这支持ML工程师开发（ML/软件）模型而不是实施代码，并通过启用ML功能作为IoT或IoT的组件的现成集成来实现设计的可重复性和模块化。网络物理系统。
translated by 谷歌翻译
在过去的十年中，人工智能（AI）为软件系统提供了巨大的新可能性和机会，还提供了新的要求和要求。特别是，机器学习（ML）已被证明在几乎每个垂直应用域中都有用。在未来的十年中，可以预期从经典计算到量子计算（QC）的前所未有的范式转移，也许是带有量子古典混合模型的。我们认为，当涉及量子和量子古典混合应用时，模型驱动的工程（MDE）范式可以是推动者和协助者。这不仅包括自动代码生成，还包括自动模型检查和验证，以及早期设计阶段中的模型分析以及在设计时间和运行时的模型对模型转换。在本文中，愿景集中在量子AI的MDE上，尤其是物联网（IoT）和智能网络物理系统（CPS）应用程序的量子ML。
translated by 谷歌翻译
在本文中，我们展示了ML-Quadrat，这是一种基于Eclipse建模框架（EMF）和智能网络物理学（MDSE）文献中的Eclipse建模框架（EMF）和最先进的开源研究原型，用于智能网络物理系统（CPS）和物联网（物联网）。其设想的用户主要是软件开发人员，他们可能在异构物联网平台和不同的人工智能（AI）技术中，专门对机器学习（ML）具有深入的知识和技能。 ML-Quadrat在GitHub上的Apache 2.0许可证的条款下发布。此外，我们展示了Driotdata的早期工具原型，该基于Web的低码平台，目标是公民数据科学家和公民/最终用户软件开发人员。 Driotdata通过向公司提供延长版本的公司，主要是小型和中型企业（中小企业），Driotdata利用该行业中的ML-Quadrat在行业中进行了延长版本。 Driotdata的当前初步版本有三个基于Web的模型编辑器：基于文本的，基于树/形式和基于图表。后者专为问题的域专家设计或使用案例域（即IOT垂直域名），其可能在其领域中没有知识和技能。最后，在YouTube上提供演示工具的短视频：https://youtu.be/vauz25w0a5k
translated by 谷歌翻译
模型用于软件工程（SE）和人工智能（AI）。 SE模型可以在不同抽象层次的架构中指定架构，并从早期概念化和设计，从软件开发生命周期的各个阶段解决不同的问题，以验证，实施，测试和演化。然而，AI模型可以提供智能能力，例如预测和决策支持。例如，在机器学习（ml）中，这是目前是AI的最受欢迎的子学科，数学模型可能会在观察到的数据中学习有用的模式，并且可以成为能够进行预测。这项工作的目标是通过将在所述社区的模型聚集在一起并提出一种需要ML的智能系统的模型驱动软件开发的整体方法来创建协同作用。我们说明了软件模型如何能够以无缝方式创建和处理ML模型。主要焦点位于事物互联网（物联网）的领域，其中ML和模型驱动的SE都发挥着关键作用。在需要采取有针对性架构的网络物理系统的系统视角下，SE和ML子系统的集成设计环境将最能支持所得系统实现的优化和整体效率。特别是，我们实现了基于INTOMML的CL-Quadrat的所提出的方法，并使用来自物联网域的案例研究以及经验用户评估来验证它。它归还所提出的方法不仅是可行的，而且还可能有助于与IOT连接的智能网络物理系统（CPS）的软件开发的性能飞跃，以及增强的使用者的用户体验建议的建模解决方案。
translated by 谷歌翻译
基于标记的光运动捕获（OMC）系统和相关的肌肉骨骼（MSK）建模预测提供了能够洞悉体内关节和肌肉载荷的能力，并有助于临床决策。但是，OMC系统基于实验室，昂贵，需要视线。一种广泛使用的替代方案是惯性运动捕获（IMC）系统，该系统具有便携式，用户友好且相对较低的成本，尽管它不如OMC系统准确。不管选择运动捕获技术的选择，都需要使用MSK模型来获取运动学和动力学输出，这是一种计算昂贵的工具，越来越多地通过机器学习（ML）方法近似。在这里，我们提出了一种ML方法，将IMC数据映射到从OMC输入数据计算出的人类上限MSK输出。从本质上讲，我们试图从相对易于获取的IMC数据中预测高质量的MSK输出。我们使用同一受试者同时收集的OMC和IMC数据来训练ML（前馈多层感知器）模型，该模型可预测IMC测量值的基于OMC的MSK输出。我们证明我们的ML预测与所需的基于OMC的MSK估计值具有很高的一致性。因此，这种方法将有助于将基于OMC的系统不可行的“实验室到现场”的技术发挥作用。
translated by 谷歌翻译
在联合学习（FL）中，一组参与者共享与将更新结合到全局模型中的聚合服务器在本地数据上计算的更新。但是，将准确性与隐私和安全性进行调和是FL的挑战。一方面，诚实参与者发送的良好更新可能会揭示其私人本地信息，而恶意参与者发送的中毒更新可能会损害模型的可用性和/或完整性。另一方面，通过更新失真赔偿准确性增强隐私，而通过更新聚合损坏安全性，因为它不允许服务器过滤掉单个中毒更新。为了解决准确性私人关系冲突，我们提出{\ em碎片的联合学习}（FFL），其中参与者在将其发送到服务器之前，随机交换并混合其更新的片段。为了获得隐私，我们设计了一个轻巧的协议，该协议允许参与者私下交换和混合其更新的加密片段，以便服务器既不能获得单个更新，也不能将其链接到其发起人。为了实现安全性，我们设计了针对FFL量身定制的基于声誉的防御，该防御根据他们交换的片段质量以及他们发送的混合更新来建立对参与者及其混合更新的信任。由于交换的片段的参数可以保持其原始坐标和攻击者可以中和，因此服务器可以从接收到的混合更新中正确重建全局模型而不会准确损失。四个真实数据集的实验表明，FFL可以防止半冬季服务器安装隐私攻击，可以有效地抵抗中毒攻击，并可以保持全局模型的准确性。
translated by 谷歌翻译
联合学习（FL）通过设计为参与同行提供了自主性和隐私，他们合作地建立了机器学习（ML）模型，同时将其私人数据保存在设备中。但是，同样的自主权通过进行不靶向或有针对性的中毒攻击来使恶意同伴毒害该模型的大门打开了大门。标签弹性（LF）攻击是一种有针对性的中毒攻击，攻击者通过将一些示例的标签从一个类（即源类）转换为另一个类别（即目标类别）来毒害他们的训练数据。不幸的是，这种攻击易于执行，难以检测，并且对全球模型的性能产生负面影响。现有针对LF的防御措施受到对同龄人数据分布和/或使用高维模型的表现不佳的假设的限制。在本文中，我们深入研究了LF攻击行为，并发现攻击者和诚实的同伴在源类示例上的矛盾目标反映在与输出层中源和目标类的相对应的参数梯度中梯度良好的攻击检测特征。因此，我们提出了一种新颖的防御，首先将这些梯度从同龄人的本地更新中动态提取，然后将提取的梯度簇，分析产生的簇，并在模型聚合之前过滤潜在的不良更新。对三个数据集的广泛经验分析显示，无论数据分布或模型维度如何，建议的防御力对LF攻击的有效性。此外，拟议的防御能力通过提供较低的测试错误，更高的总体准确性，更高的源类准确性，较低的攻击成功率和较高的源类准确性稳定性来优于几个最先进的防御能力。
translated by 谷歌翻译