PulseAugur
中
实时 06:42:19
English(EN) When to Retrain: An Empirical Study of Retraining Policies for Streaming ML Under Concept Drift, Budget, and Latency Constraints

研究揭示增量学习是在漂移下进行机器学习模型再训练的关键

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新的 arXiv 研究调查了在经历概念漂移的生产环境中，不同机器学习模型再训练策略的有效性。研究发现，影响性能的最重要因素是模型是否进行增量学习，而不是所采用的具体再训练策略。当模型不进行增量学习时，在大多数情况下，周期性再训练优于响应式策略，尽管响应式策略在周期性漂移下显示出优势。研究还强调了延迟-预算交互问题，这可能使有效的再训练预算减半。 AI

影响 为优化生产中的机器学习模型维护提供了指导，影响 MLOps 实践。

排序理由 学术论文，详细介绍了机器学习模型再训练策略的实证研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

研究揭示增量学习是在漂移下进行机器学习模型再训练的关键

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Sawan Dasari ·

    何时重新训练：概念漂移、预算和延迟约束下流式机器学习重新训练策略的实证研究

    arXiv:2608.19488v1 Announce Type: new Abstract: Production machine learning systems degrade under concept drift, yet practitioners have little principled guidance on when to retrain. Retraining is costly, retraining budgets are finite, and a retrained model does not take effect i…

相关实体

相关话题