统一面向安全关键机器学习的运行时监控方法：应用于基于视觉的着陆
机器学习
2026-04-30 v1
摘要
运行时监控是确保 机器学习 在 安全关键 领域应用安全的必不可少的手段。然而，当前研究分散，来自不同社区的独立方法层出不穷。本文提出统一框架，将运行时监控方法分为三种类型：运营设计域 (ODD) 监控，确保符合预期运行条件；离分布监控 (OOD)，拒绝偏离训练数据的输入；离模型范围 (OMS) 监控，基于内部状态或输出检测异常模型行为。我们以专门的实验演示了该分类的优势：在着陆期间的跑道检测。这一框架 facilitate 设计监控活动，具有互补的监控类别，并 enables 使用 common、以安全为导向的指标对不同监控器进行评估和比较。
引用
@article{arxiv.2604.26411,
title = {Unifying Runtime Monitoring Approaches for Safety-Critical Machine Learning: Application to Vision-Based Landing},
author = {Mathieu Dario and Florent Chenevier and Kévin Delmas and Joris Guerin and Jérémie Guiochet},
journal= {arXiv preprint arXiv:2604.26411},
year = {2026}
}
备注
15 pages, 5 figures, 3 tables, submitted to ICPR 2026