利用终身自适应处理基于学习的自适应系统中适应空间漂移的问题
机器学习
2024-01-17 v4 人工智能
神经与进化计算
软件工程
摘要
近来,机器学习(ML)已成为支撑自适应的一种流行方法。ML 已被用于应对自适应中的若干问题,例如在不确定性下维护最新的运行时模型以及可扩展的决策制定。然而,使用 ML 带来了固有挑战。本文关注基于学习的自适应系统中一个尤其重要的挑战:适应空间的漂移。所谓适应空间,是指给定时刻下自适系统可从中选取以基于适应选项估计质量属性进行自适应的选项集合。适应空间的漂移源于不确定性,影响适应选项的质量属性。此类漂移可能意味着最终没有任何适应选项能满足初始自适应目标集合,从而劣化系统质量,或者可能出现允许增强自适应目标的适应选项。在 ML 中,这种偏移对应于新颖类出现,这是一种目标数据中的概念漂移,常规 ML 技术难以应对。为解决该问题,我们提出一种新颖的自适应方法,以终身 ML 层增强基于学习的自适应系统。我们称此方法为终身自适应。终身 ML 层跟踪系统及其环境,将此类知识关联于当前任务,基于差异识别新任务,并相应更新自适系统的学习模型。可引入人类利益相关者以支持学习过程并调整学习与目标模型。我们给出终身自适应的通用架构,并将其应用于影响自适应决策的适应空间漂移情形。我们使用 DeltaIoT 范例针对一系列场景对该方法进行了验证。
引用
@article{arxiv.2211.02658,
title = {Dealing with Drift of Adaptation Spaces in Learning-based Self-Adaptive Systems using Lifelong Self-Adaptation},
author = {Omid Gheibi and Danny Weyns},
journal= {arXiv preprint arXiv:2211.02658},
year = {2024}
}