具有错误修复的自更新模型
机器学习
2020-05-21 v1 机器学习
摘要
许多环境目前采用机器学习模型进行数据处理和分析,这些模型是使用有限数量的训练数据点构建的。一旦部署,模型会暴露于大量先前未见过的数据中,其中并非所有数据都能代表原始的有限训练数据。然而,由于后勤、带宽、时间、硬件和/或数据敏感性限制,更新这些已部署模型可能很困难。我们提出一个框架,即具有错误修复的自更新模型(SUMER),其中已部署模型随着新数据的出现自行更新。SUMER 利用半监督学习和噪声修复技术,使用从模型智能选取的预测作为新训练迭代的标签,迭代地重新训练已部署模型。SUMER 的一个关键组成部分是错误修复的概念,因为自标注数据容易传播错误。我们研究了 SUMER 在不同数据集和迭代次数下的使用。我们发现,当面对额外的先前未见过的数据时,自更新模型(SUMs)通常比不尝试自更新的模型表现更好。在仅有有限初始训练数据的情况下,这一性能差距更加明显。我们还发现 SUMER 的性能通常优于 SUMs,证明了应用错误修复的益处。因此,SUMER 可以通过在动态环境中智能更新模型,自主增强现有数据处理系统的运行能力。
引用
@article{arxiv.2005.09787,
title = {Self-Updating Models with Error Remediation},
author = {Justin E. Doak and Michael R. Smith and Joey B. Ingram},
journal= {arXiv preprint arXiv:2005.09787},
year = {2020}
}
备注
17 pages, 13 figures, published in the proceedings of the Artificial Intelligence and Machine Learning for Multi-Domain Operations Applications II conference in the SPIE Defense + Commercial Sensing, 2020 symposium