Himanshu Buckchash

新的 PLSP 框架在部署前预测机器学习模型故障

研究人员推出了一种新颖的框架 PLSP（Pre-hoc Liminal Space Profiling），旨在部署前预测机器学习模型中的分布外（OOD）数据行为。与依赖推理时间指标的现有事后检测方法不同，PLSP 旨在通过引入一种独立于数据集的指标——可信度分数（CREDS）来预期模型故障。该框架还包括可信度曲线和热力图，以表征事前模型行为，在分布变化下提供信号处理的新视角，并提高模型鲁棒性。