1 فوریه 2024 -توسط دانشگاه تسوکوبا-اعتبار: دامنه عمومی Pixabay/CC0
برای یک سیستم یادگیری ماشینی که شامل چندین مدل یادگیری ماشینی و داده‌های ورودی است، محققان دانشگاه تسوکوبا یک مدل نظری برای ارزیابی اثر تنوع در مدل‌های یادگیری ماشین و داده‌های ورودی مورد استفاده در یک سیستم یادگیری ماشینی بر قابلیت اطمینان خروجی آن توسعه دادند.
مدل توسعه‌یافته را می‌توان برای بررسی پیکربندی‌های سیستم یادگیری ماشینی مناسب استفاده کرد. این مطالعه در IEEE Transactions on Emerging Topics in Computing منتشر شده است.
سیستم‌های یادگیری ماشینی برای رانندگی مستقل و خودران ، تصویربرداری پزشکی تشخیصی و سایر کاربردها به خروجی مطمئن و ایمن نیاز دارند. یکی از این طراحی‌های سیستم، سیستم یادگیری ماشینی نسخه N است. در این سیستم، چندین مدل یادگیری ماشینی و داده‌های ورودی ترکیب می‌شوند تا خطاهای استنتاج در مدل‌های یادگیری ماشینی را از تأثیر مستقیم بر خروجی نهایی سیستم بازدارند.
با این حال، اگرچه از نظر تجربی مشخص است که تنوع مدل‌های یادگیری ماشینی و داده‌های ورودی بر قابلیت اطمینان خروجی تأثیر می‌گذارد، یک مدل نظری برای توضیح این موضوع هنوز ایجاد نشده است.
در این مطالعه، محققان معیارهای تنوع را برای مدل‌های یادگیری ماشینی و داده‌های ورودی با توجه به خطاهای استنتاج مدل‌های یادگیری ماشینی معرفی کردند و یک مدل نظری برای ارزیابی قابلیت اطمینان خروجی سیستم یادگیری ماشینی ساختند.
نتایج نشان داد که یک روش پیکربندی که از تنوع مدل‌های یادگیری ماشینی و داده‌های ورودی استفاده می‌کند، پایدارترین روش برای بهبود قابلیت اطمینان یک سیستم یادگیری ماشین در شرایط کلی است.
سربار و هزینه انجام فرآیندهای استنتاج چندگانه از دیگر چالش های طراحی سیستم عملی است. محققان به بررسی و توسعه روش‌هایی برای دستیابی به قابلیت اطمینان بالا در سیستم‌های یادگیری ماشینی نسخه N و در عین حال کاهش هزینه، مصرف انرژی و هزینه‌های سربار از هر دو دیدگاه تئوری و تجربی ادامه خواهند داد.
