Active learning for regression in engineering populations: A risk-informed approach

要約

回帰は、連続変数間のマッピングの学習を伴う、データ中心のエンジニアリング アプリケーションで一般的な基本的な予測タスクです。
多くのエンジニアリング アプリケーション (例: 構造健全性モニタリング) では、このようなマッピングの学習に使用される特徴とラベルのペアは利用可能性が限られているため、従来の教師あり機械学習アプローチの有効性が妨げられます。
現在の論文では、アクティブ ラーニングと階層ベイジアン モデリングを組み合わせることにより、データ不足の問題を克服するための方法論を提案しています。
アクティブラーニングは、リソース効率の高い方法で特徴とラベルのペアを優先的に取得するアプローチです。
特に、現在の作業では、回帰ベースのエンジニアリング意思決定タスク (検査やメンテナンスなど) に関連するコンテキスト情報を活用する、リスク情報に基づいたアプローチが採用されています。
階層ベイジアン モデリングにより、複数の関連する回帰タスクを母集団に対して学習し、ローカルおよびグローバルな効果を捉えることができます。
このモデリング アプローチによって情報共有が促進されるということは、1 つのエンジニアリング システムについて取得された情報が母集団全体の予測パフォーマンスを向上させることができることを意味します。
提案された方法論は、実験的なケーススタディを使用して実証されます。
具体的には、工作機械の母集団に対して重回帰が実行されます。対象となる量はワークピースの表面粗さです。
これらの回帰タスクを使用して、検査およびメンテナンスの意思決定プロセスが定義され、それがアクティブ ラーニング アルゴリズムの構築に使用されます。
提案された新しい方法論は、ラベル取得および回帰タスクの独立したモデリングに対する情報に基づいていないアプローチに対してベンチマークされます。
提案されたアプローチは、必要な検査の数を減らしながら予測パフォーマンスを維持し、予想されるコストの点で優れたパフォーマンスを備えていることが示されています。

要約(オリジナル)

Regression is a fundamental prediction task common in data-centric engineering applications that involves learning mappings between continuous variables. In many engineering applications (e.g.\ structural health monitoring), feature-label pairs used to learn such mappings are of limited availability which hinders the effectiveness of traditional supervised machine learning approaches. The current paper proposes a methodology for overcoming the issue of data scarcity by combining active learning with hierarchical Bayesian modelling. Active learning is an approach for preferentially acquiring feature-label pairs in a resource-efficient manner. In particular, the current work adopts a risk-informed approach that leverages contextual information associated with regression-based engineering decision-making tasks (e.g.\ inspection and maintenance). Hierarchical Bayesian modelling allow multiple related regression tasks to be learned over a population, capturing local and global effects. The information sharing facilitated by this modelling approach means that information acquired for one engineering system can improve predictive performance across the population. The proposed methodology is demonstrated using an experimental case study. Specifically, multiple regressions are performed over a population of machining tools, where the quantity of interest is the surface roughness of the workpieces. An inspection and maintenance decision process is defined using these regression tasks which is in turn used to construct the active-learning algorithm. The novel methodology proposed is benchmarked against an uninformed approach to label acquisition and independent modelling of the regression tasks. It is shown that the proposed approach has superior performance in terms of expected cost — maintaining predictive performance while reducing the number of inspections required.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google