面向可扩展工业过程中自适应机器学习软件的漂移处理方法
软件工程
2022-08-16 v1
摘要
现实制造应用中的大多数工业过程都具有可扩展性特征，这需要一种自动化策略使机器学习（ML）软件系统自适应新条件。本文研究了来自Uddeholms AB钢铁公司的电渣重熔（ESR）用例过程。该用例涉及预测真空抽气事件的最小压力值。考虑到收集新记录并高效将新机器与已构建ML软件系统集成所需时间较长。此外，为应对变化并满足软件系统的非功能性需求即可适应性，我们提出了一种基于称为重要性加权的漂移处理技术的自动化自适应方法。目的是解决向生产中添加新炉子的问题，并实现ML软件的可适应性属性。总体结果表明，与经典非自适应方法相比，所提方法在ML软件性能上取得了改进。
引用
@article{arxiv.2208.07037,
title = {A Drift Handling Approach for Self-Adaptive ML Software in Scalable Industrial Processes},
author = {Firas Bayram and Bestoun S. Ahmed and Erik Hallin and Anton Engman},
journal= {arXiv preprint arXiv:2208.07037},
year = {2022}
}
备注
5 pages