实时信息物理系统中深度分布外检测器的设计方法学
机器学习
2022-08-01 v1
摘要
当机器学习（ML）模型被输入训练分布之外的数据时，其做出不准确预测的可能性更高；在信息物理系统（CPS）中，这可能导致灾难性系统失效。为缓解此风险，分布外（OOD）检测器可与 ML 模型并行运行，标记可能导致不良结果的输入。尽管 OOD 检测器在准确性方面已被充分研究，但针对资源受限 CPS 部署的关注较少。本研究提出一种设计方法学，用于调优深度 OOD 检测器以满足嵌入式应用的准确性与响应时间要求。该方法学使用遗传算法优化检测器的预处理流水线，并选择平衡鲁棒性与响应时间的量化方法。它还在机器人操作系统（ROS）下识别若干候选任务图以部署所选设计。该方法学在两种嵌入式平台上基于文献中的两个变分自编码器 OOD 检测器进行了演示。文中提供了设计过程中所现权衡的见解，并表明相较未优化 OOD 检测器，该设计方法学可在保持相当准确性的同时大幅降低响应时间。
引用
@article{arxiv.2207.14694,
title = {Design Methodology for Deep Out-of-Distribution Detectors in Real-Time Cyber-Physical Systems},
author = {Michael Yuhas and Daniel Jun Xian Ng and Arvind Easwaran},
journal= {arXiv preprint arXiv:2207.14694},
year = {2022}
}
备注
6 pages, 10 figures