arXiv:1304.3433

Induction, of and by Probability

Larry Rendell

제출 2013-03-27

원문 초록

This paper examines some methods and ideas underlying the author's successful probabilistic learning systems(PLS), which have proven uniquely effective and efficient in generalization learning or induction. While the emerging principles are generally applicable, this paper illustrates them in heuristic search, which demands noise management and incremental learning. In our approach, both task performance and learning are guided by probability. Probabilities are incrementally normalized and revised, and their errors are located and corrected.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.21364v1cs.LG공통 태그 Incremental Learning, Management

멀티헤드 어텐션 트랜스포머와 온라인 학습을 활용한 예측적 수리 관리

Predictive Repair Management Using a Multi-Head Attention Transformer and Online Learning

수리 소요 시간의 정확한 예측은 자원 배분, 고객 만족, 운영 성능에 미치는 영향으로 인해 제품 유지보수에서 중요한 과제이다. 본 연구는 제품의 과거 데이터를 바탕으로 차량 수리점이 수리 시간을 정확하게 분류할 수 있도록 돕는 심층 학습 프레임워크를 개발하는 것을 목표로 한다. 본 연구는 자동차 수리 및 유지보수 데이터셋을 사용하고, 표 형식 데이터를 위해 설계된 멀티헤드 어텐션 네트워크를 활용하여 종단간 예측 프레임워크를 구축한다. 개발된 프레임워크는 임베딩과 어텐션 메커니즘을 통해 변환된 범주형 정보와 수치적 과거 데이터를 결합하여 다양한 데이터 특징의 통합 및 학습을 용이하게 한다. 대규모 데이터셋의 클래스 불균형 문제를 극복하기 위해 가중 손실 함수를 도입한다. 또한 변화하는 운영 환경에서 예측 정확도를 유지하기 위해 지속적인 점진적 모델 업데이트를 위한 온라인 학습 전략을 사용한다. 실험 결과, 멀티헤드 어텐션 메커니즘은 피드포워드 신경망 및 랜덤 포레스트 모델에 비해 차량 식별자와 수리 유형 간의 의미 있는 상호작용을 추출함을 보여준다. 또한 과거 유지보수 데이터와 온라인 학습 전략을 결합하면 변화하는 패턴에 대한 실시간 조정을 가능하게 하고 새 데이터에 대한 모델의 예측 성능을 향상시킨다. 모델은 2013년부터 2020년까지의 실제 수리 데이터에 대해 검증되며 78%의 정확도를 달성하고, 어텐션 가중치 분석이 특징 상호작용을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.