AutoML for Multi-Class Anomaly Compensation of Sensor Drift
作者: Melanie Schaller, Mathis Kruse, Antonio Ortega, Marius Lindauer, Bodo Rosenhahn
发布时间: 2025-02-27
来源: arxiv
研究方向: 传感器漂移补偿与自动化机器学习（AutoML）
主要内容
本文研究了传感器漂移补偿问题，提出了一种新的传感器漂移补偿学习训练范式和自动化机器学习（AutoML）技术，以提高传感器漂移补偿模型的性能。
主要贡献
1. 提出了一种新的传感器漂移补偿学习训练范式，通过结合异常检测和增量批学习，提高模型对动态传感器漂移的鲁棒性和适应性。
2. 利用AutoML技术，包括元学习、自动特征预处理、超参数优化、提升和缺失值填补，增强了模型的鲁棒性和泛化能力。
3. 在真实传感器漂移数据集上进行了实验，验证了所提出方法和AutoML-DC模型的有效性，并与其他基准模型进行了比较。
4. 通过消融实验，分析了不同AutoML技术对模型性能的影响，并强调了元学习和预处理的重要性。
研究方法
1. 异常检测
2. 增量批学习
3. 自动化机器学习（AutoML）
4. 元学习
5. 自动特征预处理
6. 超参数优化
7. 提升
8. 缺失值填补
实验结果
实验结果表明，与传统的训练方法相比，所提出的传感器漂移补偿学习训练范式和AutoML-DC模型在多个性能指标上均取得了显著的提升。在真实传感器漂移数据集上，AutoML-DC模型在F1分数、精确率、召回率和AUC-ROC等方面均优于其他基准模型。
未来工作
未来的工作将包括：探索更先进的传感器漂移补偿方法，如无监督训练；在更多的真实传感器漂移数据集上进行实验，以验证模型在更广泛场景下的有效性；研究更有效的AutoML技术，以提高模型的性能和效率。