О свойствах предельного множества процесса многократного машинного обучения при преобразованиях признакового пространства

Обложка

Цитировать

Полный текст

Аннотация

В работе изучено влияние преобразований признакового пространства на свойства процесса многократного машинного обучения. Исследованы условия, при которых прогноз асимптотического поведения системы во времени, полученный в исходном пространстве, может быть перенесен на аналогичную систему в преобразованном пространстве. Полученные результаты указывают на возможность использования более простых систем в пространствах меньшей размерности для изучения процессов в сложных системах.

Об авторах

Андрей Сергеевич Веприков

Московский физико-технический институт (национальный исследовательский университет); Институт проблем передачи информации им. А. А. Харкевича Российской академии наук

Автор, ответственный за переписку.
Email: veprikov.as@phystech.edu

студент кафедры интеллектуального анализа данных, младший научный сотрудник

Россия, Москва; Москва

Антон Сергеевич Хританков

Московский физико-технический институт (национальный исследовательский университет); Институт проблем передачи информации им. А. А. Харкевича Российской академии наук

Email: anton.khritankov@phystech.edu

кандидат физико-математических наук, доцент, старший научный сотрудник

Россия, Москва; Москва

Список литературы

  1. Khritankov A. Hidden Feedback Loops in Machine Learning Systems: A Simulation Model and Preliminary Results // Software Quality: Future Perspectives on Software Engineering Quality. 13th International Conference SWQD 2021. Lecture Notes in Business Information Processing. Springer International Publishing, Cham, 2021. V. 404. P. 54-65.
  2. Khritankov A. Positive feedback loops lead to concept drift in machine learning systems // Applied Intelligence. 2023. V. 53. No 19. P. 22648-22666.
  3. Taori R., Hashimoto T. Data feedback loops: Model-driven amplification of dataset biases // Proceedings of the 40 th International Conference on Machine Learning, Honolulu, Hawaii, USA. PMLR 202, 2023. P. 33883-33920.
  4. Adam G. A. et al. Error amplification when updating deployed machine learning models // Machine Learning for Healthcare Conference. PMLR, 2022. P. 715-740.
  5. Adam G. A. et al. Hidden risks of machine learning applied to healthcare: unintended feedback loops between models and future data causing model degradation // Machine Learning for Healthcare Conference. PMLR, 2020. P. 710-731.
  6. Rowland F. The filter bubble: What the internet is hiding from you // Portal: Libraries and the Academy. 2011. V. 11. No 4. P. 1009-1011.
  7. Davies H. C. Redefining filter bubbles as (escapable) sociotechnical recursion // Sociological Research Online. 2018. V. 23. No 3. P. 637-654.
  8. Guess A. et al. Avoiding the echo chamber about echo chambers // Knight Foundation. 2018. V. 2. No 1. P. 1-25.
  9. Terren L., Borge-Bravo R. Echo chambers on social media: A systematic review of the literature // Review of Communication Research. 2021. V. 9.
  10. Веприков А. С., Афанасьев А. П., Хританков А.С. Математическая модель эффекта обратной связи в системах искусственного интеллекта // Сборник тезисов 21й Всероссийской конференции «Математические методы распознавания образов» (ММРО-21). М: Российская академия наук, 2023. Т. 12. С. 35-37.
  11. Xie X. et al. METTLE: A metamorphic testing approach to assessing and validating unsupervised machine learning systems // IEEE Transactions on Reliability. 2020. V. 69. No 4. P. 1293-1322.
  12. Jia M. et al. Testing machine learning classifiers based on compositional metamorphic relations // International Journal of Performability Engineering. 2020. V. 16. No 1. P. 67.
  13. Якушева С. Ф., Хританков А. С. Систематический обзор методов составления тестовых инвариантов // Программные системы: теория и приложения. 2024. Т. 15. № 2. С. 37–61.
  14. Tian Y. et al. Deeptest: Automated testing of deep-neuralnetwork-driven autonomous cars // Proceedings of the 40th international conference on software engineering. 2018. P. 303-314.
  15. Nakajima S., Chen T. Y. Generating biased dataset for metamorphic testing of machine learning programs // In book: Testing Software and Systems. 31st IFIP WG 6.1 International Conference, ICTSS 2019, Paris, France, Proceedings. Springer International Publishing, 2019. P. 56-64.
  16. Dwarakanath A. et al. Identifying implementation bugs in machine learning based image classifiers using metamorphic testing // Proceedings of the 27th ACM SIGSOFT international symposium on software testing and analysis. 2018. P. 118-128.
  17. Domingos P. A unified bias-variance decomposition // Proceedings of 17th international conference on machine learning. Morgan Kaufmann Stanford, 2000. P. 231-238.
  18. Khritankov A. et al. MLDev: Data Science Experiment Automation and Reproducibility Software // International Conference on Data Analytics and Management in Data Intensive Domains. Springer International Publishing, 2021. P. 3-18.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».