PulseAugur
中
实时 07:24:25
English(EN) Explanation-Based Runtime Verification for Trustworthy ML-driven Optical Networks

新的XAI方法验证光网络中的机器学习决策

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为基于解释的运行时验证的新方法，以增强光网络中使用的机器学习模型的可靠性。该方法利用可解释人工智能（XAI）技术来分析机器学习预测在被实施到网络控制循环之前的推理过程。通过评估这些解释的一致性和物理一致性，系统可以识别并拒绝不确定或错误的决策，从而提高网络稳定性和服务质量。 AI

影响 增强了AI系统在光网络等关键基础设施中的可靠性，有可能提高稳定性和服务质量。

排序理由 该集群包含一篇详细介绍新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的XAI方法验证光网络中的机器学习决策

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Omran Ayoub, Carlos Natalino, Ali Al Housseini, Felix Foschum, Philipp Morger, Tiziano Leidi, David Hock, Paolo Monti ·

    基于解释的运行时验证，用于可信的机器学习驱动的光网络

    arXiv:2607.20675v1 Announce Type: new Abstract: Machine learning (ML) models are increasingly integrated into optical network automation frameworks to support tasks such as failure management, performance monitoring and resource allocation. In these environments, ML-driven predic…

相关实体

相关话题