面向基于学习的航天应用中演化输入分布的数据生命周期管理
计算机视觉与模式识别
2022-09-27 v2 机器学习
摘要
随着任务生命周期内输入分布的演化，维持基于学习的模型性能变得具有挑战性。本文提出一种通过筛选部分测试输入进行标注以增量式重训练模型的框架，使模型能够适应变化的输入分布。该框架内的算法基于（1）整个任务周期内的模型性能与（2）标注和模型重训练相关的累积成本进行评估。我们提供了一个开源基准：一个在太空卫星图像上训练并部署于新颖场景（如不同背景或像素故障）中的卫星姿态估计模型，算法根据其通过重训练部分输入维持高性能的能力被评估。我们还提出一种新颖算法，利用贝叶斯不确定性量化刻画输入的信息增益，并借助批量主动学习思想选择使集体信息增益最大的多样化输入子集进行标注。我们表明，我们的算法在基准上优于其他算法，例如仅标注 50% 输入即可达到标注 100% 输入的算法可比性能，从而在任务周期内实现低成本与高性能。
引用
@article{arxiv.2209.06855,
title = {Data Lifecycle Management in Evolving Input Distributions for Learning-based Aerospace Applications},
author = {Somrita Banerjee and Apoorva Sharma and Edward Schmerling and Max Spolaor and Michael Nemerouf and Marco Pavone},
journal= {arXiv preprint arXiv:2209.06855},
year = {2022}
}