On the Connection between Concept Drift and Uncertainty in Industrial Artificial Intelligence

要約

AI ベースのデジタル ツインはインダストリー 4.0 革命の最先端にあり、モノのインターネットとリアルタイムのデータ分析によって技術的に強化されています。
産業用資産から収集された情報は継続的に生成され、厳しいタイミング制約の下で処理する必要のあるデータ ストリームが生成されます。
このようなデータ ストリームは通常、非定常現象の影響を受けやすく、ストリームのデータ分布が変化する可能性があり、データ分析に使用されるモデルによって取得された知識が陳腐化する可能性があります (いわゆるコンセプト ドリフト効果につながります)。
変更 (ドリフト) の早期検出は、モデルの知識を更新するために重要です。これは、ストリーム データに関連付けられたグラウンド トゥルースがすぐに利用できないシナリオでは特に困難です。
他の多くの手法の中でも、モデルの信頼性の推定は、教師なし設定でのドリフトを検出するための基準として、いくつかの研究で臆病に提案されています。
この原稿の目標は、モデルの出力に対する信頼性と概念のドリフトの存在との関係を確認してしっかりと明らかにし、それを実験的に示し、将来報告される比較研究における不確実性推定の主要な考慮事項を提唱することです。

要約(オリジナル)

AI-based digital twins are at the leading edge of the Industry 4.0 revolution, which are technologically empowered by the Internet of Things and real-time data analysis. Information collected from industrial assets is produced in a continuous fashion, yielding data streams that must be processed under stringent timing constraints. Such data streams are usually subject to non-stationary phenomena, causing that the data distribution of the streams may change, and thus the knowledge captured by models used for data analysis may become obsolete (leading to the so-called concept drift effect). The early detection of the change (drift) is crucial for updating the model’s knowledge, which is challenging especially in scenarios where the ground truth associated to the stream data is not readily available. Among many other techniques, the estimation of the model’s confidence has been timidly suggested in a few studies as a criterion for detecting drifts in unsupervised settings. The goal of this manuscript is to confirm and expose solidly the connection between the model’s confidence in its output and the presence of a concept drift, showcasing it experimentally and advocating for a major consideration of uncertainty estimation in comparative studies to be reported in the future.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google