面向机器学习传感器的数据表
机器学习
2025-10-29 v4 计算机与社会
人机交互
摘要
机器学习（ML）正日益普及于嵌入式 AI 传感系统。这些“ML 传感器”能够在从工业环境中的异常检测到用于保护工作的野生动物追踪等多样化应用中，实现上下文敏感、实时的数据收集与决策。因此，需要通过全面的文档来提供此类 ML 赋能传感系统运行的透明度。这对于实现其可复现性、满足法规与行业特定政策所要求的新型合规与审计制度，以及核实并验证其运行的责任性而言是必要的。为弥补这一空白，我们引入了面向 ML 传感器的数据表（datasheet for ML sensors）框架。我们提供了一份由学术界与产业界合作共同开发的综合性模板，该模板捕捉了 ML 传感器的独特属性，包括硬件规格、ML 模型与数据集特征、端到端性能指标以及环境影响。我们的框架解决了传感器数据持续流式传输的特性、实时处理需求，并嵌入了反映真实部署条件的基准测试方法，从而确保实际可行性。我们的方法遵循 FAIR 原则（可发现性、可访问性、互操作性、可重用性），增强了 ML 传感器文档在学术、产业与监管领域的透明度与可重用性。为展示我们方法的应用，我们给出了两份数据表：第一份用于内部设计的开源 ML 传感器，第二份用于产业合作者开发的商用 ML 传感器，二者均执行基于计算机视觉的人员检测。
引用
@article{arxiv.2306.08848,
title = {Datasheets for Machine Learning Sensors},
author = {Matthew Stewart and Yuke Zhang and Pete Warden and Yasmine Omri and Shvetank Prakash and Jacob Huckelberry and Joao Henrique Santos and Shawn Hymel and Benjamin Yeager Brown and Jim MacArthur and Nat Jeffries and Emanuel Moss and Mona Sloane and Brian Plancher and Vijay Janapa Reddi},
journal= {arXiv preprint arXiv:2306.08848},
year = {2025}
}