Uncertainty Guided Online Ensemble for Non-stationary Data Streams in Fusion Science
Created by
- Haebom
Category
Empty
저자
Kishansingh Rajput, Malachi Schram, Brian Sammuli, Sen Lin
개요
차세대 융합 장치 개발 및 운영에 있어 머신러닝(ML)의 역할이 중요해지고 있다. 융합 데이터는 실험적 발전과 장치 노후화로 인해 분포 변화를 보이는 비정상적인 특성을 갖는다. ML 모델은 고정된 분포를 가정하므로 이러한 비정상적인 데이터 스트림에 직면하면 성능을 유지하지 못한다. 본 논문에서는 DIII-D 융합 시설에서 토로이달 필드(TF) 코일 변형 예측을 위해 온라인 학습을 적용하여 데이터 스트림 변화에 지속적으로 적응하는 방법을 제시한다. 결과적으로 온라인 학습은 ML 모델 성능 유지에 매우 중요하며, 정적 모델에 비해 오류를 80% 감소시킨다. 또한, 제안하는 불확실성 기반 온라인 앙상블 방법을 통해 예측 성능을 더욱 향상시킨다. Deep Gaussian Process Approximation (DGPA) 기술을 활용하여 보정된 불확실성을 추정하고, 이를 사용하여 다양한 시계열 데이터에 대해 훈련된 학습자들의 앙상블을 기반으로 예측을 생성하는 메타 알고리즘을 구현한다. DGPA는 예측과 함께 의사 결정자를 위한 불확실성 추정을 제공한다. 온라인 앙상블과 제안된 불확실성 기반 온라인 앙상블은 표준 단일 모델 기반 온라인 학습에 비해 예측 오류를 각각 약 6%, 10% 감소시켰다.
시사점, 한계점
•
시사점:
◦
융합 분야에서 데이터 스트림 변화에 적응하기 위한 온라인 학습의 중요성을 입증.
◦
불확실성 추정을 활용한 온라인 앙상블 방법의 제안 및 성능 향상.
◦
DGPA를 활용한 불확실성 추정의 유용성 제시.
•
한계점:
◦
구체적인 앙상블 방법 및 메타 알고리즘의 세부 사항이 명확히 제시되지 않음.
◦
다른 온라인 학습 알고리즘과의 비교 분석 부족.
◦
실제 융합 장치 운영 환경에서의 검증 필요.
