Serverless on FHIR: Deploying machine learning models for healthcare on the cloud
McMaster University（麦克马斯特大学）；East Carolina University（东卡罗来纳大学）
机器学习（ML）在实现数字健康方面发挥着至关重要的作用。硬件的进步和软件工具的民主化已经彻底改变了机器学习。然而，部署ML模型（待执行任务的数学表示）以在护理点提供有效和高效的临床决策支持仍然是一个挑战。ML模型的准确性和预测能力不断提高，周转率很高。更新下游健康信息系统使用的模型对于患者安全至关重要。我们引入了一个功能分类和四层架构，用于基于云的数字健康模型部署。这四层是用于可维护性的容器化微服务，用于可扩展性的无服务器架构，用于可移植性的功能作为服务以及用于可扩展性的FHIR模式。我们在FHIR上将这种架构称为无服务器，并将其作为部署数字健康应用程序的标准，这些应用程序可以由EMR和可视化工具等下游系统使用。
2020-06-08 cs.CY cs.LG q-bio.QM
Beyond development: Challenges in deploying machine learning models for structural engineering applications
Department of Civil and Environmental Engineering, Utah State University（土木与环境工程系，犹他州立大学）；Department of Mathematics and Statistics, Utah State University（数学与统计学系，犹他州立大学）；Department of Civil and Environmental Engineering, University of California at Los Angeles（土木与环境工程系，加州大学洛杉矶分校）；School of Civil and Environmental Engineering and Earth Sciences, Clemson University（土木与环境工程及地球科学学院，克莱姆森大学）
本文通过两个示例剖析结构工程中ML模型从概念验证走向实际部署面临的关键挑战，并提出以自适应采样、物理信息特征选择及兼顾复杂度与泛化性来提升模型可靠性。
2024-04-18 cs.CE cs.LG stat.ML
Lessons Learned from Deploying Adaptive Machine Learning Agents with Limited Data for Real-time Cell Culture Process Monitoring
Complex Adaptive Systems Laboratory, The Data Science Institute, University of Technology Sydney, NSW 2007, Australia（复杂适应系统实验室，数据科学研究所，新南威尔士大学悉尼分校）
本研究针对细胞培养过程监测数据有限和过程可变的问题，对比三种ML方法在拉曼光谱代谢物预测中的表现，明确了各方法适用场景，强调模型在线更新的重要性并验证了混合专家框架的效用，为生物制造环境ML部署提供策略参考。
2025-08-29 cs.LG q-bio.QM
DTMM: Deploying TinyML Models on Extremely Weak IoT Devices with Pruning
City University of Hong Kong（香港城市大学）
针对 MCU 等极弱 IoT 设备难以同时实现深度剪枝、保持精度与高效执行的问题，提出含剪枝单元选择、优化、加速和低成本存储的 DTMM 库并验证其收益。
2024-01-17 cs.AI cs.LG
From Tiny Machine Learning to Tiny Deep Learning: A Survey
Texas State University（德克萨斯州立大学）
本综述概述从TinyML到TinyDL的过渡，涵盖架构、硬件、模型优化、软件工具链，分析量化等技术与硬件趋势，分类软件工具，回顾多领域应用并指出新兴方向，为边缘AI研究提供基础资源。
2025-06-25 cs.LG
Towards automated kernel selection in machine learning systems: A SYCL case study
Codeplay Software Ltd.
计算核的自动调整是一个热门的研究领域，主要集中在为具有固定输入大小的问题找到最佳核参数。这种方法适用于部署机器学习模型，其中网络拓扑是恒定的，但机器学习研究通常涉及改变网络拓扑和超参数。传统的内核自动调整在这种情况下影响有限;库需要更通用的内核选择来加速机器学习研究。在本文中，我们提出了使用机器学习选择内核的案例研究部署高性能SYCL内核库，目标范围从桌面GPU到嵌入式加速器的异构设备的初步结果。调查的技术适用于更普遍的，同样可以与其他异构编程系统集成。通过结合自动调优和机器学习，这些内核选择过程可以在开发人员很少的工作量下部署，从而在新硬件上实现高性能。
2020-03-15 cs.LG cs.PF stat.ML
"Forgetting" in Machine Learning and Beyond: A Survey
Australian National University（澳大利亚国立大学）
本综述借鉴神经科学研究，将机器学习中的遗忘视为适应性功能，探讨其在提升模型性能与数据隐私方面的应用，并讨论了整合遗忘机制的挑战、未来方向与伦理考量。
2024-05-31 cs.LG
A Survey on Machine Learning-based Misbehavior Detection Systems for 5G and Beyond Vehicular Networks
University of Luxembourg（卢森堡大学）
在部署车辆到一切（V2X）技术方面取得了重大进展。V2X与5G的集成实现了超低延迟和高可靠性的V2X通信。然而，虽然通信性能得到了增强，但安全和隐私问题却有所增加。攻击变得更具侵略性，攻击者变得更具战略性。标准化组织提出的公钥基础设施不能单独防御这些攻击。因此，作为补充，应设计复杂的系统来检测这种攻击和攻击者。机器学习（ML）最近已经成为确保我们未来道路安全的关键推动因素。许多V2X不当行为检测系统（MDS）都采用了这种模式。然而，分析这些系统是一个研究空白，开发有效的ML为基础的MDS仍然是一个悬而未决的问题。为此，本文提出了一个全面的调查和分类ML为基础的MDS。我们从安全和ML的角度分析和讨论它们。然后，我们给出了一些经验教训和建议，帮助开发，验证和部署基于ML的MDS。最后，我们强调开放的研究和标准化问题与一些未来的方向。
2022-01-25 cs.CR cs.LG cs.NI
Machine Learning Systems for Intelligent Services in the IoT: A Survey
机器学习（ML）技术正在物联网（IoT）中出现以提供智能服务。这项调查超越了现有的机器学习算法和云驱动的设计，调查了整合机器学习和物联网的较少探索的系统，扩展和社会技术方面。它涵盖了在云、边缘和物联网设备上扩展和分发ML的最新发展（截至2020年）。通过对系统设计选择进行分类和说明的多层框架，这项调查揭示了在功能、利益相关者一致性和可信度方面，在不断上升的云-边缘-设备连续体中开发和部署ML系统的基本问题。
2020-12-01 cs.CY cs.LG
Addressing modern and practical challenges in machine learning: A survey of online federated and transfer learning
University of Essex（埃塞克斯大学）
在线联邦学习（OFL）和在线迁移学习（OTL）是克服现代机器学习挑战（如数据孤岛、流数据和数据安全）的两种协作范例。这项调查探讨了OFL和OTL的主要演变路线，以加强对在线联邦和迁移学习的理解。此外，在这项工作中，流行的数据集和在线联邦和迁移学习的前沿应用程序的实际方面突出。此外，这项调查提供了对未来潜在研究领域的深入了解，旨在为开发在线联合和迁移学习框架的专业人员提供资源。
2022-02-07 cs.LG
TrackCore-F: Deploying Transformer-Based Subatomic Particle Tracking on FPGAs
University of Twente（特文特大学）
本文提出在FPGA上部署基于Transformer的亚原子粒子跟踪方法，开发了单体或划分的Transformer合成工具，用于高能物理中的跟踪任务。
2026-02-16 cs.AR cs.LG hep-ex
Automated Machine Learning on Graphs: A Survey
Tsinghua University（清华大学）
图上的机器学习在学术界和工业界都得到了广泛的研究。然而，随着关于图学习的文献随着大量新兴方法和技术而繁荣，手动设计用于不同图相关任务的最佳机器学习算法变得越来越困难。为了解决这一关键挑战，图上的自动机器学习（AutoML）将图机器学习和AutoML的优势结合在一起，正受到研究界的关注。因此，本文全面综述了图上的AutoML，主要关注用于图机器学习的超参数优化（HPO）和神经架构搜索（NAS）。我们进一步概述了与自动化图机器学习相关的库，并深入讨论了AutoGL，这是第一个用于图上AutoML的专用开源库。最后，我们分享了我们对自动图机器学习未来研究方向的见解。本文是第一个系统和全面的审查自动机器学习的图，以我们所知。
2021-12-20 cs.LG
Learning Changes the World and Then What Was Learned has Changed: Training and Deploying Neural Networks in the Control Loop
Calejo Hybrid Intelligence AB（Calejo 混合智能有限公司）
本文针对闭环控制系统中离线训练神经网络部署时的状态分布偏移问题，提出统一分类法与时间尺度分离的在线适应策略，经非线性杜芬振子消融研究验证，该策略可缓解轨迹发散，为安全关键反馈系统的ML组件部署提供指南。
2026-10-16 cs.LG stat.ML
Is this IoT Device Likely to be Secure? Risk Score Prediction for IoT Devices Using Gradient Boosting Machines
The University of New South Wales (UNSW)（新南威尔士大学）；RMIT University（皇家墨尔本理工大学）
安全风险评估和预测对于部署物联网（IoT）设备的组织至关重要。企业的最低要求是验证物联网设备在国家漏洞数据库（NVD）中报告的漏洞的安全风险。本文提出了一种基于公开信息的物联网设备风险预测方法。我们的解决方案为各种规模的企业提供了一个简单且经济高效的解决方案，以预测部署新物联网设备的安全风险。在对过去八年的NVD记录进行广泛分析后，我们为易受攻击的物联网设备创建了一个独特、系统和平衡的数据集，包括关键技术特征，以及公共资源提供的功能和描述性特征。然后，我们使用机器学习分类模型，如梯度提升决策树（GBDT）在这个数据集上，并实现71%的预测准确率分类设备漏洞评分的严重性。
2021-11-23 cs.CR cs.LG
A survey and taxonomy of loss functions in machine learning
本综述全面概述了机器学习中最广泛使用的43种损失函数，涵盖回归、分类、生成建模、排序和基于能量的建模等关键应用，并构建了直观的分类体系以阐明其理论基础、性质和最佳应用场景，旨在为各阶段学生和研究人员提供系统资源。
2024-11-18 cs.LG
Category-Theoretical and Topos-Theoretical Frameworks in Machine Learning: A Survey
Japan Women's University（日本女子大学）；XiChang University（西昌学院）；Sichuan University（四川大学）；Pittsburgh Institute（匹兹堡研究所）；Macao Polytechnic University（澳门理工大学）
本文从梯度、概率、不变性与等价性及拓扑斯四个视角综述范畴论在机器学习中的应用，更新了过去五年研究并首次系统探讨拓扑斯理论，凸显其在表达网络全局与局部结构及几何逻辑中的深刻作用。
2025-02-03 cs.LG
Is the Rush to Machine Learning Jeopardizing Safety? Results of a Survey
McMaster University（麦克马斯特大学）
机器学习（ML）正在进入安全关键系统（SCS）。目前的安全标准和实践不是为了应对ML技术而设计的，很难相信包含ML组件的SCS是安全的。我们的假设是，人们急于部署ML技术，而没有彻底检查ML技术的使用是否会引入我们还不能充分检测和缓解的安全问题。因此，我们进行了有针对性的文献调查，以确定将ML应用于SCS的研究工作与评估部署ML组件的SCS安全性的研究工作进行比较。本文介绍了调查的（令人惊讶的）结果。
2021-11-29 cs.LG
Curriculum Graph Machine Learning: A Survey
Tsinghua University（清华大学）
本文首次全面综述课程图机器学习（Graph CL），针对现有图模型随机训练导致的次优问题，按节点级、链接级和图级任务分类总结方法，并展望未来方向。
2024-03-12 cs.LG
Designing and Deploying AI Models for Sustainable Logistics Optimization: A Case Study on Eco-Efficient Supply Chains in the USA
Gannon University（甘农大学）；Western Illinois University（西伊利诺伊大学）；Daffodil International University（达福迪尔国际大学）；Duquesne University（杜肯大学）；Southeast University（东南大学）
本研究针对美国物流可持续发展需求，应用多种AI与ML模型优化物流运营、降低碳排放，验证了AI在提升物流效率、构建韧性供应链方面的潜力。
2025-03-18 cs.AI cs.LG
Snorkel DryBell: A Case Study in Deploying Weak Supervision at Industrial Scale
Brown University（布朗大学）；Google（谷歌）；Stanford University（斯坦福大学）
标记训练数据是开发基于机器学习的应用程序中成本最高的瓶颈之一。我们提出了一个第一的同类研究显示如何现有的知识资源，从整个组织可以被用来作为弱监督，以使开发时间和成本下降了一个数量级，并介绍了Snorkel DryBell，一个新的弱监督管理系统，这种设置。Snorkel DryBell建立在Snorkel框架的基础上，在三个关键方面对其进行了扩展：灵活的，基于模板的各种组织知识的摄取，跨功能的生产服务，以及可扩展的，无采样的执行。在Google的三个分类任务中，我们发现Snorkel DryBell创建的分类器的质量与使用数万个手工标记的示例训练的分类器相当，将不可服务的组织资源转换为可服务的模型，平均性能提高了52%，并在数十分钟内执行了数百万个数据点。
2019-06-03 cs.LG stat.ML
Machine Learning at the Network Edge: A Survey
Clarkson University（克拉克森大学）；SRC, Inc.（SRC公司）；University of the Punjab（旁遮普大学）；Microsoft Research（微软研究院）
资源受限的物联网设备，如传感器和执行器，近年来已经变得无处不在。这导致了大量数据的实时生成，这是人工智能系统的一个有吸引力的目标。然而，在这样的终端设备上部署机器学习模型几乎是不可能的。典型的解决方案涉及将数据卸载到外部计算系统（如云服务器）进行进一步处理，但这会增加延迟，导致通信成本增加，并增加隐私问题。为了解决这个问题，已经努力将额外的计算设备放置在网络的边缘，即靠近生成数据的IoT设备。在这样的边缘计算设备上部署机器学习系统通过允许在接近数据源的地方执行计算来解决上述问题。本调查描述了在计算机网络边缘部署机器学习系统的主要研究工作，重点关注智能边缘系统成功应用中使用的操作方面，包括压缩技术，工具，框架和硬件。
2021-05-23 cs.CV cs.LG cs.NI
Machine Learning Systems: A Survey from a Data-Oriented Perspective
Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学）
该综述从面向数据视角出发，采用系统化半自动化方法梳理ML系统中DOA的隐性应用情况，填补相关知识缺口，并提出促进ML系统部署的实用建议。
2025-07-16 cs.AI cs.LG cs.SE
A Survey on Machine Learning Applied to Dynamic Physical Systems
本调查是关于物理建模和机器学习交叉领域的最新进展。我们专注于非线性系统的建模，更接近电动机。综述了电动机运行中的控制和故障检测技术。
2020-09-28 cs.LG cs.NE
A Rapid Pipeline for Training and Deploying ML Models on WeBe Band
UC Davis（加州大学戴维斯分校）；Quandary Peak Research
本文提出一种快速流水线，用于在WeBe Band可穿戴设备上训练和部署ML模型，通过AutoML、量化及OTA部署实现硬件高效模型，并验证了模型复杂度与可部署性的权衡。
2026-09-25 cs.AI cs.LG cs.PF
When Physics Meets Machine Learning: A Survey of Physics-Informed Machine Learning
University of Southern California（南加州大学）
物理信息机器学习（Physics-informed machine learning，PIML）是指将物理学的先验知识与数据驱动的机器学习模型相结合，以缓解训练数据不足的问题，提高模型的泛化能力，并确保结果的物理可解释性。本文综述了PIML的研究现状，并从三个方面进行了总结：（1）PIML的动机;（2）PIML中的物理知识;（3）PIML中物理知识的整合方法。我们还讨论了当前的挑战和相应的研究机会，在PIML。
2022-03-31 cs.LG stat.ML
Optimization Problems for Machine Learning: A Survey
IBM Research Ireland（IBM爱尔兰研究院）；Ivey Business School（毅伟商学院）；University of Western Ontario（西安大略大学）
本文综述了机器学习文献，并在优化框架中介绍了几种常用的机器学习方法。特别地，数学最优化模型被提出用于回归、分类、聚类、深度学习和对抗学习，以及机器教学、经验模型学习和贝叶斯网络结构学习中的新兴应用。这些模型可以受益于数值优化技术的进步，这些技术已经在几种机器学习环境中发挥了独特的作用。这些模型的优点和缺点进行了讨论，并突出了潜在的研究方向和开放的问题。
2021-01-11 cs.LG math.OC
Gradient Boosting Machine: A Survey
Point Zero One Technology（Point Zero One科技公司）；Fordham University（福特汉姆大学）；Imperial College London（帝国理工学院）；Massachusetts Institute of Technology（麻省理工学院）
在本综述中，我们讨论了几种不同类型的梯度提升算法，并详细说明了它们的数学框架：1。梯度提升的引入导致2.目标函数优化，3.损失函数估计，以及4.模型构建5.在排名中应用boosting。
2019-08-19 cs.LG stat.ML
The What-If Tool: Interactive Probing of Machine Learning Models
Google Research（谷歌研究院）
开发和部署机器学习（ML）系统的一个关键挑战是了解它们在各种输入下的性能。为了应对这一挑战，我们创建了What-If Tool，这是一个开源应用程序，允许从业者以最少的编码来探测，可视化和分析ML系统。假设工具允许从业者在假设情况下测试性能，分析不同数据特征的重要性，并跨多个模型和输入数据子集可视化模型行为。它还允许从业者根据多个ML公平性指标来衡量系统。我们描述了该工具的设计，并报告了不同组织的实际使用情况。
2019-10-03 cs.LG stat.ML
Survey of Machine Learning Techniques To Predict Heartbeat Arrhythmias
Institute for Biomedical Informatics（生物医学信息学研究所）；University of Kentucky Healthcare（肯塔基大学医疗中心）
生物医学计算机科学研究中的许多工作使用机器学习技术来给出准确的结果。然而，这些技术对于从现场医院馈送中提取的数据的实时分析可能不可行。在这个项目中，不同的机器学习技术从不同的来源进行比较，以找到一个不仅提供高准确性，而且低延迟和内存开销用于现实世界的医疗保健系统。
2022-08-22 cs.LG eess.SP
Impact of a Deployed LLM Survey Creation Tool through the IS Success Model
本研究通过DeLone和McLean的IS成功模型，评估了实际部署的LLM驱动的调查创建工具，提出了混合评估框架并实施安全措施，以支持生成式AI在IS方法中的负责任集成。
2025-06-03 cs.HC cs.LG
From Algorithm to Hardware: A Survey on Efficient and Safe Deployment of Deep Neural Networks
Institute for Infocomm Research, A*STAR（新加坡资讯通信研究院（新加坡科技研究局下属机构））；Nanyang Technological University（南洋理工大学）
本文综述 DNN 从压缩算法、适配硬件加速器到同态加密安全部署的研究进展，并讨论评估、泛化与多方法集成等开放问题。
2024-05-09 cs.AI cs.LG
Geomagnetic Survey Interpolation with the Machine Learning Approach
Schmidt Institute of Physics of the Earth of the Russian Academy of Sciences（俄罗斯科学院施密特地球物理研究所）；Geophysical Center of the Russian Academy of Sciences（俄罗斯科学院地球物理中心）
介绍了无人机磁力测量数据内插的方法。该方法适应了这类数据具有样本沿一系列直线（类似于海上航迹）的空间发布的事实，这是许多无人机测量的突出特点。插值依赖于非常基本的最近邻算法，尽管使用了机器学习方法。这种方法通过智能地调整最近邻算法参数使误差小于5%。利用Borok地磁台无人机航磁测量数据对该方法进行了初步测试。
2022-10-07 cs.LG physics.geo-ph
Survey-aware Machine Learning: A Guideline for Valid Population Health Inference based on Scoping Review
Medical & Imaging Informatics (MII) UCLA（医学与影像信息学（MII） UCLA）
本文提出Survey-aware Machine Learning (SaML)指南，通过整合调查设计元数据，解决健康调查数据中忽略采样单元、分层变量和采样权重的问题，提升流行健康推断的准确性。
2026-05-09 cs.LG stat.ML
Verification for Machine Learning, Autonomy, and Neural Networks Survey
本调查概述了自主系统的验证技术，重点是安全关键的自主网络物理系统（CPS）及其子组件。CPS中的自主性是通过人工智能（AI）和机器学习（ML）的最新进展来实现的，这些进步通过诸如深度神经网络（DNN）之类的方法来实现，这些方法嵌入在所谓的学习使能组件（LEC）中，完成从分类到控制的任务。最近，形式化方法和形式化验证社区已经开发出方法来表征这些LEC中的行为，最终目标是形式化验证LEC的规范，本文对这些方法进行了综述。
2018-10-03 cs.AI cs.LG
A Survey on Neural Machine Reading Comprehension
University of Chinese Academy of Sciences（中国科学院大学）
使机器能够阅读和理解自然语言文档，以便它可以回答一些问题仍然是一个难以捉摸的挑战。近年来，深度学习的普及和大规模数据集的建立，都促进了机器阅读理解的繁荣。本文介绍了如何利用神经网络来构建一个阅读器，并介绍了一些经典的模型，分析了它们的改进之处。进一步指出了现有模型的不足和未来的研究方向
2019-06-10 cs.CL cs.LG
Survey: Machine Learning in Production Rendering
University of California San Diego（加州大学圣地亚哥分校）
在过去的几年里，基于机器学习的方法在渲染动画长片方面取得了一些巨大的成功。本调查总结了使用深度神经网络相对于传统渲染方法的几个最显著的改进，例如更好的图像质量和更低的计算开销。更具体地说，本调查涵盖了机器学习的基本原理及其应用，例如去噪，路径引导，渲染参与媒体以及其他众所周知的困难光传输情况。其中一些技术已经在最新发布的动画中使用，而其他技术仍在学术界和电影制片厂的研究人员的持续开发中。虽然基于学习的渲染方法仍然存在一些问题，但它们已经在渲染管道的多个部分表现出了良好的性能，人们正在不断进行新的尝试。
2020-05-26 cs.GR cs.LG
Machine learning for Earth System Science (ESS): A survey, status and future directions for South Asia
Indian Institute of Tropical Meteorology（印度热带气象研究所）；Jackson School of Geosciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校杰克逊地球科学学院）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；Indian Institute of Science（印度科学理工学院）；Borehole Geophysics Research Laboratory（钻孔地球物理研究实验室）
本次调查的重点是当前地球系统科学中的问题，机器学习算法可以应用。它概述了以前的工作，印度政府地球科学部正在进行的工作，以及ML算法在一些重大地球科学问题中的未来应用。我们提供了以前的工作与本调查的比较，与机器学习相关的多维领域的思维导图和Gartner的地球系统科学（ESS）中机器学习的炒作周期。我们主要关注地球科学中的关键组成部分，包括大气，海洋，地震和生物圈，并涵盖AI/ML应用于统计降尺度和预测问题。
2021-12-24 cs.LG physics.ao-ph
Machine Learning for Network Slicing Resource Management: A Comprehensive Survey
University of Kaiserslautern（凯泽斯劳滕大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）
新兴的多租户网络切片技术被认为是5G蜂窝网络的基本特征。它提供网络切片作为一种新型的公共云服务，从而增加了服务的灵活性，提高了网络资源的效率。同时，也对网络资源管理提出了新的挑战。近年来已经提出了许多各种方法，其中广泛地部署了机器学习和人工智能技术。在这篇文章中，我们提供了一个调查现有的网络切片资源管理的方法，突出了机器学习在其中所扮演的角色。
2020-01-22 cs.LG cs.NI
Machine Learning Techniques for Stackelberg Security Games: a Survey
Politecnico di Milano（米兰理工大学）
本调查旨在介绍当前安全游戏领域采用的机器学习技术。具体而言，我们重点关注了南加州大学Teamcore开发的论文和作品，这些论文和作品深化了该领域的不同方向。Stackelberg安全游戏（SSG）和偷猎设置的简要介绍后，其余的工作提出了如何建模一个有限理性的攻击者考虑到她的人类行为，然后描述了如何面对的问题，有攻击者的收益没有定义，以及如何估计他们，最后，介绍了如何在线学习技术已被利用来学习攻击者的模型。
2016-09-29 cs.GT cs.LG
A Survey on Poisoning Attacks Against Supervised Machine Learning
University of Toronto（多伦多大学）；Electrical and Computer Engineering（电子与计算机工程（此处为院系，按要求不提取，但原文中该部分是否为机构？根据规则，机构粒度提取到大学/学院/公司/研究院级别即可，不要细拆到系等，因此仅保留“University of Toronto”））
随着人工智能和机器学习在现代计算中的兴起，关于这些技术的主要关注点之一是提供针对对手的隐私和安全性。我们提出这篇调查论文，以涵盖针对监督机器学习模型的中毒攻击中最具代表性的论文。我们首先提供了一个分类法，对现有的研究进行分类，然后对选定的论文进行详细的总结。我们总结和比较现有文献的方法和局限性。我们总结了本文的潜在改进和未来的方向，以进一步利用和防止对监督模型的中毒攻击。我们提出了几个未回答的研究问题，以鼓励和启发研究人员未来的工作。
2022-02-08 cs.CR cs.LG
A Survey of Serverless Machine Learning Model Inference
IT University of Copenhagen（哥本哈根信息技术大学）
本综述总结了在无服务器架构中托管大型机器学习模型进行GPU推理的新兴挑战与优化机遇，提出了新的分类法以推动大规模深度学习服务系统的创新研究。
2023-11-22 cs.DC cs.LG
Machine Learning for Cataract Classification and Grading on Ophthalmic Imaging Modalities: A Survey
Research Institute of Trustworthy Autonomous Systems（可信自主系统研究院）；Southern University of Science and Technology（南方科技大学）
白内障是全球视力损害和失明的主要原因。多年来，研究人员在开发用于白内障自动分类和分级的最先进的机器学习技术方面取得了重大进展，旨在早期预防白内障并提高临床医生的诊断效率。该调查提供了基于眼科图像的白内障分类/分级机器学习技术的最新进展的全面调查。本文从传统机器学习方法和深度学习方法两个研究方向对现有文献进行了总结。这项调查还提供了对现有作品的优点和局限性的见解。此外，我们还讨论了基于机器学习技术的白内障自动分类/分级的几个挑战，并为未来的研究提出了可能的解决方案。
2022-04-02 cs.CV cs.LG eess.IV
A Survey on Low-Resource Neural Machine Translation
Microsoft Research Asia（微软亚洲研究院）
神经方法已经在机器翻译上实现了最先进的准确性，但是遭受收集大规模并行数据的高成本。因此，已经对具有非常有限的并行数据的神经机器翻译（NMT）进行了大量研究，即，低资源配置。本文综述了低资源的NMT，并根据其使用的辅助数据将相关工作分为三类：（1）利用源语言和/或目标语言的单语数据，（2）利用辅助语言的数据，（3）利用多模态数据。我们希望我们的调查能够帮助研究人员更好地了解该领域并激励他们设计更好的算法，并帮助行业从业者为他们的应用选择合适的算法。
2021-07-09 cs.CL cs.LG
Confidential Machine Learning on Untrusted Platforms: A Survey
HP Inc.（惠普公司）；Marquette University（马凯特大学）
随着数据的不断增长以及开发强大的机器学习模型的需求，数据所有者越来越依赖于各种不受信任的平台（例如，公共云、边缘和机器学习服务提供商），用于可扩展处理或协作学习。因此，敏感数据和模型面临未经授权访问、滥用和隐私泄露的危险。一个相对较新的研究机构在受保护的数据上秘密地训练机器学习模型来解决这些问题。在这项调查中，我们总结了这一新兴研究领域的显着研究。通过统一的框架，我们强调了外包机器学习的关键挑战和创新。我们专注于机密机器学习（CML）的加密方法，主要是模型训练，同时也涵盖了其他方向，如基于扰动的方法和CML在硬件辅助计算环境。讨论将采取整体的方式来考虑相关威胁模型、安全假设、设计原则以及数据效用、成本和机密性之间的相关权衡的丰富背景。
2021-06-12 cs.CR cs.LG
A survey on bias in machine learning research
Gdańsk University of Technology（格但斯克理工大学）
该综述聚焦机器学习研究中偏差根源被忽视的问题，梳理了ML流水线中四十余种潜在偏差来源并给出示例，构建偏差来源分类体系，为偏差检测与缓解及构建更优ML模型提供支撑。
2023-08-22 cs.AI cs.LG
A Survey on Differential Privacy with Machine Learning and Future Outlook
University of Dayton（戴顿大学）
如今，机器学习模型和应用已经变得越来越普遍。随着机器学习模型的开发和使用的快速增长，对隐私的关注也在上升。因此，有合法的需要来保护数据免受泄漏和任何攻击。可用于保护机器学习模型免受任何攻击和漏洞的最强大和最流行的隐私模型之一是差分隐私（DP）。DP是对隐私的严格而严格的定义，它可以保证对手无法可靠地预测数据集中是否包含特定的参与者。它的工作原理是向数据注入噪声，无论是输入、输出、地面真值标签、目标函数，还是梯度，以减轻隐私问题并保护数据。为此，这篇调查论文提出了不同的私有机器学习算法，分为两大类（传统机器学习模型与深度学习模型）。最后展望了机器学习算法在差分隐私保护中的应用前景。
2022-11-19 cs.CR cs.LG
End-to-End Constrained Optimization Learning: A Survey
Syracuse University（雪城大学）；Georgia Institute of Technology（佐治亚理工学院）；Harvard University（哈佛大学）
本文综述了利用机器学习解决约束优化问题的最新尝试。它的重点是调查的工作集成组合求解器和优化方法与机器学习架构。这些方法有望开发新的混合机器学习和优化方法，以预测组合问题的快速、近似解决方案，并实现结构逻辑推理。本文提出了一个概念性的审查，在这一新兴领域的最新进展。
2021-03-30 cs.AI cs.LG
Machine Learning with a Reject Option: A survey
Siemens Digital Industries Software（西门子数字工业软件）；KU Leuven（鲁汶大学）；OSG bv（OSG bv公司）；Natus Medical（纳图斯医疗）；University of Antwerp（安特卫普大学）
本文综述带拒识的机器学习，形式化歧义与新奇两类拒识，梳理评估策略、模型架构与学习方法，并介绍应用领域及其与其他方向的关系。
2024-02-21 cs.AI cs.LG
Machine Unlearning for Traditional Models and Large Language Models: A Short Survey
Renmin University of China（中国人民大学）
本文综述了传统模型与大语言模型的机器遗忘技术，涵盖定义、分类、评估标准及挑战，并提出有效性与效率评估方法，指出当前局限与未来研究方向。
2024-04-01 cs.CR cs.LG
Modern Machine Learning Tools for Monitoring and Control of Industrial Processes: A Survey
University of British Columbia（不列颠哥伦比亚大学）；University of Alberta（阿尔伯塔大学）；Imperial College（帝国理工学院）；Seoul National University（首尔国立大学）
在过去的十年中，我们看到工业数据的显著增加，计算能力的巨大提高以及机器学习的重大理论进展。这为在大规模非线性监测和控制问题上使用现代机器学习工具提供了机会。本文提供了一个调查的最新结果与应用过程工业。
2022-09-22 cs.LG cs.SY eess.SY
Classification with Quantum Machine Learning: A Survey
Faculty of Computer Science, Nahda University（纳达大学计算机科学学院）；Faculty of Computers and Information, Mansoura University（曼苏拉大学计算机与信息学院）；Faculty of Computers and Information, Minia University（米尼亚大学计算机与信息学院）
由于量子计算（QC）在密码学、化学、大数据、机器学习、优化、物联网（IoT）、区块链、通信等许多应用中的优越性和显著进展。量子机器学习（Quantum Machine Learning，QML）是将经典机器学习与量子信息处理（Quantum Information Processing，QIP）相结合，解决和改进经典机器学习中存在的问题（如时间和能量消耗、核估计等）的一个新的量子领域。本文的目的是提出并总结量子机器学习（QML）的最新进展。特别是最近的QML分类工作。此外，我们还涵盖了最近在量子机器学习（QML）中发表的大约30篇出版物。我们提出了量子世界中的分类方案，并讨论了将经典数据映射到量子数据的编码方法。然后，我们给出了量子子程序和量子计算（QC）在提高经典机器学习（ML）性能和速度方面的一些方法。同时也介绍了QML在各个领域的应用、面临的挑战和未来的展望。
2020-06-22 cs.LG quant-ph
A Survey of Naïve Bayes Machine Learning approach in Text Document Classification
Pondicherry University（本地治里大学）
文本文档分类的目的是根据标签文档训练集所建议的可能性将一个或多个预定义的类别关联起来。许多机器学习算法在训练具有预定义类别的系统方面发挥着至关重要的作用，其中朴素贝叶斯有一些有趣的事实，即它简单、易于实现，并且尽管存在朴素的依赖性，但在大型数据集中仍能获得更好的准确性。朴素贝叶斯机器学习方法的重要性已经被认识到，因此该研究已经被用于文本文档分类和可用的统计事件模型。本文对文本分类中的各种特征选择方法以及与文本分类相关的度量进行了讨论和比较。
2010-03-09 cs.IR cs.LG
Machine Learning Innovations in CPR: A Comprehensive Survey on Enhanced Resuscitation Techniques
Concordia University（康考迪亚大学）；Aqaba University of Technology（亚喀巴科技大学）；Khalifa University（哈利法大学）；University of Alberta（阿尔伯塔大学）；Systems Research Institute, Polish Academy of Sciences（波兰科学院系统研究所）；Istinye University（伊斯蒂涅大学）；University of Waterloo（滑铁卢大学）
本文综述了机器学习与人工智能在心肺复苏中的应用，涵盖从传统方法到ML驱动方法的演变，并分析预测建模、AI设备及实时数据对复苏效果的提升，以及当前挑战与未来方向。
2024-11-03 cs.AI cs.LG
A Survey on Resilient Machine Learning
IBM Research（IBM研究院）
基于机器学习的系统越来越多地用于敏感任务，例如安全监控、引导自动驾驶车辆、做出投资决策、检测和阻止网络入侵和恶意软件等。然而，最近的研究表明，机器学习模型在机器学习的所有阶段（例如，训练数据收集、训练、操作）都容易受到对手的攻击。机器学习系统的所有模型类都可以通过提供精心制作的输入而被误导，从而使它们错误地对输入进行分类。恶意创建的输入样本可能会影响ML系统的学习过程，要么减慢学习过程，要么影响学习模式的性能，要么导致系统仅在攻击者计划的情况下出错。由于这些发展，理解机器学习算法和系统的安全性正在成为计算机安全和机器学习研究人员和实践者的重要研究领域。我们提出了一个调查这一新兴领域的机器学习。
2017-07-11 cs.AI cs.CR cs.LG
