Model teoretis untuk penilaian keandalan sistem pembelajaran mesin

3 Min Read

pembelajaran mesin

Kredit: Domain Publik Pixabay/CC0

Untuk sistem pembelajaran mesin yang terdiri dari beberapa model pembelajaran mesin dan data masukan, para peneliti di Universitas Tsukuba mengembangkan model teoretis untuk mengevaluasi pengaruh keragaman dalam model pembelajaran mesin dan data masukan yang digunakan dalam sistem pembelajaran mesin terhadap keandalan keluarannya.

Model yang dikembangkan dapat digunakan untuk mengeksplorasi konfigurasi sistem pembelajaran mesin yang sesuai. Studi ini dipublikasikan di Transaksi IEEE pada Topik yang Muncul dalam Komputasi.

Sistem pembelajaran mesin untuk mengemudi otonom, pencitraan medis diagnostik, dan aplikasi lainnya memerlukan keluaran yang andal dan aman. Salah satu desain sistem tersebut adalah sistem pembelajaran mesin versi N. Dalam sistem ini, beberapa model pembelajaran mesin dan data masukan digabungkan untuk mencegah kesalahan inferensi dalam model pembelajaran mesin agar tidak berdampak langsung pada keluaran akhir sistem.

Namun, meskipun secara empiris diketahui bahwa keragaman model pembelajaran mesin dan data masukan mempengaruhi keandalan keluaran, model teoritis untuk menjelaskan hal ini belum dikembangkan.

Dalam studi ini, para peneliti memperkenalkan metrik keragaman untuk model pembelajaran mesin dan data masukan sehubungan dengan kesalahan inferensi model pembelajaran mesin dan membangun model teoretis untuk mengevaluasi keandalan keluaran sistem pembelajaran mesin.

Hasilnya menunjukkan bahwa metode konfigurasi yang memanfaatkan keragaman model pembelajaran mesin dan data masukan adalah metode paling stabil untuk meningkatkan keandalan sistem pembelajaran mesin dalam situasi yang diasumsikan secara umum.

Biaya overhead dan biaya untuk melakukan beberapa proses inferensi merupakan tantangan lain dalam desain sistem praktis. Para peneliti akan terus menyelidiki dan mengembangkan metode untuk mencapai keandalan yang tinggi dalam sistem pembelajaran mesin versi N sekaligus mengurangi biaya, konsumsi daya, dan overhead baik dari perspektif teoretis maupun eksperimental.

Informasi lebih lanjut:
Fumio Machida, Menggunakan Keberagaman untuk Memodelkan Keandalan Sistem Pembelajaran Mesin Dua Versi, Transaksi IEEE pada Topik yang Muncul dalam Komputasi (2023). DOI: 10.1109/TETC.2023.3322563

Disediakan oleh Universitas Tsukuba

Kutipan: Model teoretis untuk penilaian keandalan sistem pembelajaran mesin (2024, 1 Februari) diambil 1 Februari 2024 dari https://techxplore.com/news/2024-02-theoretical-reliability-machine.html

Dokumen ini memiliki hak cipta. Terlepas dari transaksi wajar untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.

______
Diterjemahkan dari techxplore.com

Share This Article