SECOE：缓解机器学习耦合物联网系统中的传感器失效

机器学习（ML）应用持续革新诸多领域。近年来，针对各类物联网（IoT）领域（如精准农业、智慧城市与智能制造）构建新型 ML 应用的研究兴趣浓厚。物联网领域的特征在于源自多样化、地理分布传感器的连续数据流，且常要求实时或半实时响应。物联网特征给有效 ML 应用的设计与实现带来若干根本性挑战。导致数据流中断的传感器/网络失效便是其中之一。遗憾的是，许多 ML 应用在面对数据不完整时性能迅速退化。当前处理数据不完整的技术基于数据插补（即试图填补缺失数据）。遗憾的是，这些技术可能失效，尤其在多个传感器数据流因同时失效而不可用时。为构建鲁棒的物联网耦合 ML 应用，本文提出 SECOE，一种缓解潜在同时性传感器失效的独特主动方法。SECOE 的核心思想是精心挑选 ML 模型集成，其中每个模型在训练时假设一组传感器失效（即训练集省略相应数值）。SECOE 包含一种通过利用传感器间相关性来最小化集成中模型数量的新技术。我们通过涉及三个不同数据集的一系列实验展示了 SECOE 方法的有效性。实验结果表明，SECOE 在传感器失效时有效保持预测精度。