机器学习系统可靠性评估的理论模型

对于包含多个机器学习模型和输入数据的机器学习系统，筑波大学的研究人员开发了一个理论模型，用于评估机器学习模型的多样性和机器学习系统中使用的输入数据对其输出可靠性的影响。

开发的模型可用于探索适当的机器学习系统配置。该研究发表在IEEE Transactions on Emerging Topics in Computing上。

用于自动驾驶、诊断医学成像和其他应用的机器学习系统需要可靠和安全的输出。N版机器学习系统就是这样一种系统设计。在这个系统中，多个机器学习模型和输入数据被组合在一起，以阻止机器学习模型中的推理错误直接影响系统的最终输出。

然而，尽管根据经验已知机器学习模型和输入数据的多样性会影响输出的可靠性，但尚未开发出解释这一点的理论模型。

在这项研究中，研究人员介绍了机器学习模型的多样性指标和与机器学习模型推理误差相关的输入数据，并构建了一个理论模型来评估机器学习系统输出的可靠性。

结果表明，利用机器学习模型和输入数据多样性的配置方法是在一般假设情况下提高机器学习系统可靠性的最稳定方法。

执行多个推理过程的开销和成本是实际系统设计中的其他挑战。研究人员将继续研究和开发方法，以实现N版机器学习系统的高可靠性，同时从理论和实验角度降低成本、功耗和开销。