面对陷阱的在线机器学习自适应
机器学习
2023-09-13 v1 神经与进化计算
摘要
在线机器学习（ML）常用于自适应系统中，以强化适应机制并提升系统效用。尽管有这些益处，将在线 ML 应用于自适应颇具挑战，且鲜有论文报告其局限性。近期，我们尝试将在线 ML 应用于智慧农业场景的自适应，并遭遇了若干意外困难——陷阱——据我们所知，这些在学界未得到充分讨论。在本文中，我们报告面对这些陷阱的经验。具体而言，我们讨论若干与基于 ML 的估计器的规约与在线训练、其对自适应的影响，以及用于评估估计器的方法相关的陷阱。我们对这些陷阱的概述提供了一份经验教训清单，可作为其他研究者和实践者在应用在线 ML 进行自适应时的指导。
引用
@article{arxiv.2309.05805,
title = {Online ML Self-adaptation in Face of Traps},
author = {Michal Töpfer and František Plášil and Tomáš Bureš and Petr Hnětynka and Martin Kruliš and Danny Weyns},
journal= {arXiv preprint arXiv:2309.05805},
year = {2023}
}
备注
This is the authors' version of the paper M. T\"opfer, F. Pl\'a\v{s}il, T. Bure\v{s}, P. Hn\v{e}tynka, M. Kruli\v{s}, D. Weyns: Online ML Self-adaptation in Face of Traps, accepted for publication in Proceedings of ACSOS 2023, Toronto, Canada