基于风险的主动学习改进决策：概率判别分类器
机器学习
2022-06-24 v1 应用统计
机器学习
摘要
获得对结构运维做出明智决策的能力，是推动结构健康监测（SHM）系统实施的动力。然而，对应于被监测系统健康状态的实测数据的描述性标签往往难以获取。这一问题限制了全监督机器学习范式在开发用于SHM系统决策支持的统计分类器方面的适用性。应对该问题的一种方法是基于风险的主动学习。在此类方法中，数据标签查询根据新兴数据点的完全信息期望值来引导。对于SHM中的基于风险的主动学习，信息价值是相对于维护决策过程来评估的，而数据标签查询对应于对结构进行检查以确定其健康状态。在SHM背景下，基于风险的主动学习仅被考虑用于生成式分类器。本文展示了使用另一类分类器——判别模型的若干优势。以Z24桥梁数据集为案例研究，表明在SHM决策支持背景下，判别分类器具有诸多益处，包括对边采样偏差的鲁棒性改善，以及结构检查开支的减少。
引用
@article{arxiv.2206.11616,
title = {Improving decision-making via risk-based active learning: Probabilistic discriminative classifiers},
author = {Aidan J. Hughes and Paul Gardner and Lawrence A. Bull and Nikolaos Dervilis and Keith Worden},
journal= {arXiv preprint arXiv:2206.11616},
year = {2022}
}
备注
10 pages, 5 figures. The Tenth European Workshop on Structural Health Monitoring (EWSHM 2022), Palermo, Italy, July 2022. arXiv admin note: substantial text overlap with arXiv:2201.02555