基于异常检测的光谱模型运行范围界定
机器学习
2024-10-18 v1 天体物理仪器与方法
摘要
机器学习模型的安全运行需要能够明确界定其运行范围的架构。我们评估了异常检测算法提供与模型性能退化相关指示信号的能力。通过在此类指示信号上设置接受阈值，形成定义模型覆盖范围的硬边界。作为用例，我们考虑从凌星光变曲线中提取系外行星光谱，特别是在 ESA 即将到来的 Ariel 任务背景下。孤立森林被证明能有效识别预测模型可能失效的上下文。在数据和概念漂移条件下评估了覆盖范围/误差权衡。最佳性能出现在孤立森林对预测模型的可解释性 SHAP 值进行建模时。
引用
@article{arxiv.2408.02581,
title = {Operational range bounding of spectroscopy models with anomaly detection},
author = {Luís F. Simões and Pierluigi Casale and Marília Felismino and Kai Hou Yip and Ingo P. Waldmann and Giovanna Tinetti and Theresa Lueftinger},
journal= {arXiv preprint arXiv:2408.02581},
year = {2024}
}
备注
To appear in "Proceedings of SPAICE 2024: 1st ESA/IAA conference on AI in and for Space". Conference page at https://spaice.esa.int/