TL;DR
- چکیده:.
- مدلهای یادگیری ماشینی مستقر در محیطهای غیر ثابت در معرض تغییر توزیع زمانی هستند که میتواند قابلیت اطمینان.
- پیشبینی را در طول زمان از بین ببرد.
چه اتفاقی افتاد
چکیده:. مدلهای یادگیری ماشینی مستقر در محیطهای غیر ثابت در معرض تغییر توزیع زمانی هستند که میتواند قابلیت اطمینان.
پیشبینی را در طول زمان از بین ببرد. در حالی که هدف استراتژیهای کاهش متداول مانند بازآموزی دورهای و کالیبراسیون مجدد،.
حفظ عملکرد است،. آنها معمولاً بر معیارهای میانگین ارزیابی شده در مقاطع زمانی جداگانه تمرکز میکنند و به صراحت چگونگی تکامل.
قابلیت اطمینان در طول استقرار را مدل نمیکنند. ما یک چارچوب استقرار محور را پیشنهاد میکنیم که قابلیت اطمینان را بهعنوان یک حالت پویا متشکل.
از تبعیض و کالیبراسیون در نظر میگیرد. مسیر این حالت در میان پنجرههای ارزیابی متوالی،.
مفهوم قابل اندازهگیری نوسانی را القا میکند،. و اجازه میدهد سازگاری استقرار بهعنوان یک مشکل کنترل چند هدفه فرموله شود که ثبات قابلیت اطمینان را.
در برابر هزینه مداخله تجمعی متعادل میکند. در این چارچوب،.
خانوادهای از سیاستهای مداخله وابسته به دولت و بهطور تجربی مرز پارتو نوسان هزینه- هزینه را. مشخص میکند.
آزمایشها بر روی یک مجموعه داده ریسک اعتباری در مقیاس بزرگ و بهطور موقت (1. 35 میلیون وام،.
2007-2018) نشان میدهد که مداخلات انتخابی با رانش میتواند به مسیرهای قابلیت اطمینان هموارتری نسبت به بازآموزی پیوسته. دست یابد و در عین حال هزینه عملیاتی را به میزان قابل توجهی کاهش دهد.
این یافتهها قابلیت اطمینان استقرار را تحت تغییر زمانی بهعنوان یک سیستم چندهدفه قابل کنترل قرار میدهند و. نقش طراحی خطمشی را در شکلدهی به مبادلات پایداری-هزینه در برنامههای کاربردی جدولی پرمخاطره برجسته میکنند.
صفحه، 5 شکل، 7 جدول. مطالعه تجربی روی مجموعه داده ریسک اعتباری بهطور موقت نمایه شده (1.
35 میلیون نمونه، 2007-2018) یادگیری ماشینی (cs. LG) کلاسها MSC: 68T05 کلاسهای ACM: I.
2. 6; I.
8; G. 3 استناد بهعنوان: (یا v1 [cs.
LG] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite تاریخچه ارسال از:.
نعیمورحمان [مشاهده ایمیل] [v1] یکشنبه،. 1 مارس 2026،.
17:. 18:.
44 UTC (340 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.