ترجمه فارسی مقاله مانیتورینگ تشخیصی زمان اجرا با Martingales

چکیده

Machine learning systems deployed in safety-critical robotics settings must be robust to distribution shifts. However, system designers must understand the cause of a distribution shift in order to implement the appropriate intervention or mitigation strategy and prevent system failure. In this paper, we present a novel framework for diagnosing distribution shifts in a streaming fashion by deploying multiple stochastic martingales simultaneously. We show that knowledge of the underlying cause of a distribution shift can lead to proper interventions over the lifecycle of a deployed system. Our experimental framework can easily be adapted to different types of distribution shifts, models, and datasets. We find that our method outperforms existing work on diagnosing distribution shifts in terms of speed, accuracy, and flexibility, and validate the efficiency of our model in both simulated and live hardware settings.

چکیده به فارسی (ترجمه ماشینی)

سیستم های یادگیری ماشین مستقر در تنظیمات رباتیک مهم ایمنی باید در تغییر توزیع قوی باشند.با این حال ، طراحان سیستم باید علت تغییر توزیع به منظور اجرای مداخله یا استراتژی کاهش مناسب و جلوگیری از خرابی سیستم را درک کنند.در این مقاله ، ما یک چارچوب جدید برای تشخیص تغییرات توزیع به صورت جریان با استفاده از چندین مارتینگل تصادفی به طور همزمان ارائه می دهیم.ما نشان می دهیم که دانش در مورد علت اصلی تغییر توزیع می تواند منجر به مداخلات مناسب در چرخه عمر یک سیستم مستقر شود.چارچوب آزمایشی ما به راحتی می تواند با انواع مختلف شیفت های توزیع ، مدل ها و مجموعه داده ها سازگار باشد.ما می دانیم که روش ما از کار موجود در تشخیص تغییرات توزیع از نظر سرعت ، دقت و انعطاف پذیری بهتر است و کارایی مدل ما را در هر دو تنظیمات سخت افزاری شبیه سازی شده و زنده تأیید می کند.