从漂移到适应再到失败的ML模型：工业MLOps中的迁移学习
机器学习
2026-02-03 v1
摘要
模型适应生产环境是可靠机器学习运营(MLOps)的关键，但较少关注如何开发系统化框架来更新在数据漂移下失败的ML模型。本文比较了包括集成迁移学习(ETL)、全层迁移学习(ALTL)和最后一层迁移学习(LLTL)于内的迁移学习使能的模型更新策略，用于更新失败的前馈人工神经网络(ANN)模型。由于电厂中660兆瓦热电锅炉旁通压差的flue gas分析仪器，由于电厂的负荷循环而模拟批处理过程。对三种迁移学习技术对失败ANN模型的更新显示，ETL在批次大小为5天时提供了比LLTL和ALTL更高的预测精度。然而，发现ALTL适合有效更新在大批次大小(8天)上训练的模型。对于不同批次大小的模型更新技术而言，计算需求(超参数调优和模型训练)呈现出混合趋势。这些从批处理为基础的工业案例中获得的根本和经验性见解可以帮助MLOps实践者在准确监控工业过程时，将失败模型适应数据漂移。
引用
@article{arxiv.2602.00957,
title = {From drift to adaptation to the failed ml model: Transfer Learning in Industrial MLOps},
author = {Waqar Muhammad Ashraf and Talha Ansar and Fahad Ahmed and Jawad Hussain and Muhammad Mujtaba Abbas and Vivek Dua},
journal= {arXiv preprint arXiv:2602.00957},
year = {2026}
}
备注
Corresponding author: [email protected]