ترجمه فارسی مقاله محدوده عملیاتی مدل‌های طیف‌سنجی با تشخیص ناهنجاری

چکیده

Safe operation of machine learning models requires architectures that explicitly delimit their operational ranges. We evaluate the ability of anomaly detection algorithms to provide indicators correlated with degraded model performance. By placing acceptance thresholds over such indicators, hard boundaries are formed that define the model’s coverage. As a use case, we consider the extraction of exoplanetary spectra from transit light curves, specifically within the context of ESA’s upcoming Ariel mission. Isolation Forests are shown to effectively identify contexts where prediction models are likely to fail. Coverage/error trade-offs are evaluated under conditions of data and concept drift. The best performance is seen when Isolation Forests model projections of the prediction model’s explainability SHAP values.

چکیده به فارسی (ترجمه ماشینی)

عملکرد ایمن مدل های یادگیری ماشین به معماری نیاز دارد که صریحاً دامنه های عملیاتی آنها را محدود می کنند.ما توانایی الگوریتم های تشخیص ناهنجاری را در ارائه شاخص ها با عملکرد مدل تخریب شده ارزیابی می کنیم.با قرار دادن آستانه های پذیرش بر روی چنین شاخص ها ، مرزهای سخت شکل می گیرد که پوشش مدل را تعریف می کند.به عنوان یک مورد استفاده ، ما استخراج طیف های فراگیر از منحنی های نور ترانزیت ، به طور خاص در چارچوب ماموریت آریل آینده ESA را در نظر می گیریم.جنگل های جداسازی نشان داده شده است که به طور مؤثر زمینه هایی را که مدل های پیش بینی احتمالاً شکست می خورند ، شناسایی می کنند.معاملات تحت پوشش/خطا تحت شرایط داده و رانش مفهوم ارزیابی می شود.بهترین عملکرد زمانی مشاهده می شود که پیش بینی های مدل جنگل های ایزوله مقادیر شکل توضیح مدل پیش بینی.