针对传感器漂移的多类异常补偿的AutoML
机器学习
2025-02-27 v1 人工智能
摘要
传感器漂移是工业测量系统中的关键问题，精确的数据输出对于维持监控过程的准确性和可靠性至关重要，因为漂移会逐渐降低机器学习模型的性能。我们的研究表明，现有模型训练中使用的标准交叉验证方法未能充分考虑漂移，导致对性能的高估。这主要是因为典型的交叉验证技术允许数据实例同时出现在训练集和测试集，从而扭曲了预测评估的准确性。结果是，这些模型无法精确预测未来的漂移效应，损害了其在泛化和适应不断变化的数据条件方面的能力。本文提出了两种解决方案：（1）一种用于验证模型的新型传感器漂移补偿学习范式，（2）一种提高分类性能并补偿传感器漂移的自动机器学习（AutoML）技术。通过采用数据平衡、元学习、自动集成学习、超参数优化、特征选择和提升等策略，我们的AutoML-DC（漂移补偿）模型显著提升了对抗传感器漂移的分类性能。AutoML-DC还能有效适应不同的漂移严重程度。
引用
@article{arxiv.2502.19180,
title = {AutoML for Multi-Class Anomaly Compensation of Sensor Drift},
author = {Melanie Schaller and Mathis Kruse and Antonio Ortega and Marius Lindauer and Bodo Rosenhahn},
journal= {arXiv preprint arXiv:2502.19180},
year = {2025}
}
备注
To be published in Measurement Journal