< Terug naar vorige pagina

Project

Adaptief en continu leren voor het detecteren en beperken van context drift bij industriële toepassingen

Traditionele algoritmen voor machine learning houden doorgaans rekening met statische omgevingen, waarin de gegevens onafhankelijke en van identiek verdeelde willekeurige variabelen getrokken wordt uit een stationaire kansverdeling. De aanname van stationariteit gaat echter niet op in de meeste toepassingen in de echte wereld, waarin de gegevensdistributie in de loop van de tijd verandert als gevolg van een dynamische van de omgeving. De status van de distributie van de data wordt bepaald door de context van de omgeving, waardoor veranderingen in de distributie contextdrift worden genoemd. Deze drift kan de verdeling van de invoervariabelen, de verdeling van de uitkomst of beide beïnvloeden. De laatste twee gevallen zijn instantiaties van concept drift. Om robuustheid tegen contextdrift te garanderen, is adaptief leren in staat om (near-) realtime modelupdates uit te voeren. In die zin kunnen adaptieve leeralgoritmen worden gezien als geavanceerde incrementele leeralgoritmen die zich kunnen aanpassen aan de evolutie van de gegevensdistributie en de resulterende modellen online bijwerken tijdens hun werking om op veranderingen te reageren. Meer recentelijk heeft continu leren tot doel dit principe uit te breiden door de geleerde kennis in de loop van de tijd te accumuleren, het hoofd te bieden aan de interferentie tussen de nieuwe kennis en wat eerder is geleerd, zonder de noodzaak om helemaal opnieuw te leren. Om in dergelijke dynamische omgevingen te werken, zijn modellen nodig om contextdrift zo snel mogelijk te detecteren, deze te onderscheiden van ruis en zich zo nodig zo snel mogelijk aan te passen. Deze robuustheid tegen verandering is een steeds grotere uitdaging in industriële omgevingen, waarin machines en processen opereren in inherent dynamische omgevingen en bovendien worden beïnvloed door een verscheidenheid aan verschillende contexten. Voor deze reden zal dit proefschrift nieuwe adaptieve en continue leermethoden onderzoeken voor detectie en beperking van contextafwijkingen in industriële toepassingen. Er zal bijzondere aandacht worden besteed aan de interpreteerbaarheid van de benaderingen, om de domeinexpert inzichten te verschaffen over de beïnvloedende contextuele factoren die modelupdates veroorzaken, evenals hun efficiëntie, aangezien de methoden vaak moeten werken in omgevingen met beperkte middelen.

Datum:25 nov 2021 →  Heden
Trefwoorden:change detection, time series analysis, adaptive learning, continual learning, concept drift, machine learning
Disciplines:Machine learning en besluitvorming
Project type:PhD project