工业人工智能中概念漂移与不确定性的关联
机器学习
2023-03-20 v1 人工智能
摘要
基于 AI 的数字孪生处于工业 4.0 革命的前沿，其由物联网与实时数据分析提供技术支撑。从工业资产收集的信息以连续方式产生，形成须在严格时序约束下处理的数据流。此类数据流通常受非平稳现象影响，导致流的数据分布可能改变，从而数据分析所用模型捕获的知识可能过时（引发所谓的概念漂移效应）。变化的早期检测（漂移）对于更新模型知识至关重要，这在流数据真实标签不易获取的场景中尤其具挑战性。在众多技术中，模型置信度的估计已在少数研究中被谨慎提议作为无监督设定下检测漂移的准则。本稿旨在坚实确认并揭示模型对其输出的置信度与概念漂移存在之间的关联，通过实验展示该关联，并倡导在未来的比较研究中重点考虑不确定性估计。
引用
@article{arxiv.2303.07940,
title = {On the Connection between Concept Drift and Uncertainty in Industrial Artificial Intelligence},
author = {Jesus L. Lobo and Ibai Laña and Eneko Osaba and Javier Del Ser},
journal= {arXiv preprint arXiv:2303.07940},
year = {2023}
}
备注
2 pages, 1 figure, 2023 IEEE Conference on Artificial Intelligence (IEEE CAI)