基于机器学习的应用行为的持续管理
机器学习
2024-11-07 v5 软件工程
摘要
现代应用日益由机器学习(ML)模型驱动，其非确定性行为正影响从设计到运行的整个应用生命周期。ML 的普遍采用迫切呼唤能保证基于 ML 的应用随时间推移和模型变更保持稳定的非功能行为的方法。为此，必须监测、验证和维护 ML 模型的非功能属性，如隐私、机密性、公平性和可解释性。现有方法主要聚焦于 i) 根据 ML 模型的功能行为实现分类器选择方案，ii) 寻找新的算法解决方案，如持续重训练。本文中，我们提出一种多模型方法，旨在保证基于 ML 的应用稳定的非功能行为。提供了一种架构和方法论途径，以比较展现相似非功能属性的多个 ML 模型，并根据(动态且不可预测的)上下文变化选择随时间支持稳定非功能行为的模型。我们的方法超越现有最先进水平，提供持续保证基于 ML 的应用稳定非功能行为的解决方案，其与 ML 算法无关，且由在 ML 模型自身上评估的非功能属性驱动。它包含应用运行期间工作的两步过程，其中模型评估验证在开发时训练并选择的 ML 模型的非功能属性，模型替换保证对非功能属性的持续稳定支持。我们在聚焦非功能属性公平性的真实场景中对我们的方案进行了实验评估。
引用
@article{arxiv.2311.12686,
title = {Continuous Management of Machine Learning-Based Application Behavior},
author = {Marco Anisetti and Claudio A. Ardagna and Nicola Bena and Ernesto Damiani and Paolo G. Panero},
journal= {arXiv preprint arXiv:2311.12686},
year = {2024}
}
备注
Accepted for publication in IEEE Transactions on Services Computing; DOI: 10.1109/TSC.2024.3486226