Ανίχνευση απόκλισης στην ακρίβεια μοντέλων μηχανικής μάθησης
Διπλωματική Εργασία
| Επιβλέπων | Εμμανουήλ Βαρβαρίγος |
|---|---|
| Συσχετιζόμενο μάθημα | Δίκτυα Επικοινωνιών |
Περιγραφή
Οι εφαρμογές της μηχανικής μάθησης έχουν σημειώσει εκρηκτική άνοδο τα τελευταία χρόνια. Η σταθερή απόδοση των αλγορίθμων μηχανικής μάθησης είναι απαραίτητη προκειμένου να μπορούν τα μοντέλα αυτά να χρησιμοποιούνται με αξιόπιστο τρόπο σε κρίσιμες εφαρμογές. Για αυτό το λόγο, η ανίχνευση της απόκλισης στην ακρίβεια των αλγορίθμων είναι πολύ σημαντικό θέμα. Οι αποκλίσεις προκαλούνται συνήθως από σταδιακές αλλαγές στα δεδομένα εισόδου.
Σε αυτή τη διπλωματική θα μελετήσουμε αρχικά την έννοια της απόκλισης στην απόδοση ενός αλγορίθμου μηχανικής μάθησης και πως αυτή προκαλείται. Ακολούθως θα μελετήσουμε διάφορες τεχνικές ανίχνευσης της απόκλισης είτε στην απόδοση του αλγορίθμου, είτε της απόκλισης απευθείας στα δεδομένα εισόδου. Τέλος θα συγκρίνουμε τα αποτελέσματα των τεχνικών και πώς αυτά βοηθούν στην βελτίωση της σταθερότητας των μοντέλων μηχανικής μάθησης.
Επιθυμητές Γνώσεις: Python, Μηχανική μάθηση
Σχετική βιβλιογραφία
- S. Ackerman, P. Dube, E. Farchi, O. Raz, M. Zalmanovici, “Machine Learning Model Drift Detection Via Weak Data Slices,” IEEE/ACM Third International Workshop on Deep Learning for Testing and Testing for Deep Learning (DeepTest), 2021
- L. Yang, A. Shami, “A lightweight concept drift detection and adaptation framework for IoT data streams,” IEEE Internet of Things Magazine, 4(2), 96-101, 2021