Initiale Auswahl und nachträgliche Aktualisierung von OML Modellen

Thomas Bartz-Beielstein ()
Additional contact information
Thomas Bartz-Beielstein: TH Köln, Institut Data Science, Engineering, and Analytics

Chapter Kapitel 4 in Online Machine Learning, 2024, pp 41-46 from Springer

Abstract: Zusammenfassung In Abschnitt 4.1 wird eine aktuelle Best-Practice-Methodik zur initialen Modellwahl bei Online Machine Learning (OML)-Modellen beschrieben, die berücksichtigt, dass das Modell kontinuierlich aktualisiert wird. In Abschnitt 4.2 werden Möglichkeiten des Entfernens oder der Änderung von bereits zum Modell hinzugefügten Observationen/Instanzen besprochen. Es wird beschrieben, wie nachträglich dem Modell komplett neue Merkmale hinzugefügt werden können. Zudem wird aufgezeigt, wie nach einem Modellupdate sichergestellt ist, dass die Modellgüte immer noch adäquat ist. Das sogenannte katastrophale Vergessen (katastrophale Interferenz) wird in Abschnitt 4.3 im OML-Kontext betrachtet: Die kontinuierliche Aktualisierung der OML-Modelle birgt das Risiko, dass dieses Lernen nicht erfolgreich ist, wenn korrekt gelernte ältere Zusammenhänge fälschlicherweise vergessen (entlernt, engl. “de-learned”) werden.

Date: 2024
References: Add references at CitEc
Citations:

There are no downloads for this item, see the EconPapers FAQ for hints about obtaining it.

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:spr:sprchp:978-3-658-46162-1_4

Ordering information: This item can be ordered from
http://www.springer.com/9783658461621

DOI: 10.1007/978-3-658-46162-1_4

Access Statistics for this chapter

More chapters in Springer Books from Springer
Bibliographic data for series maintained by Sonal Shukla () and Springer Nature Abstracting and Indexing ().