.png){kind=icon}
返回
Active learning of optical path classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110582.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
构建分类模型以预测光通道能否提供所需的传输质量水平，是光网络设计中自动化路径质量评估的一种有前景的方法。然而，机器学习算法在此领域的适用性受到为模型创建收集足够标记数据所需成本、努力和时间的影响。主动学习可以显著减少所需的标记数据量。这是一种迭代过程，创建一系列模型，每个模型用于选择最有用的路径进行类别标记查询，然后将这些路径添加到下一个模型的训练集中。这种学习场景为机器学习算法带来的挑战不同于标准的被动学习，因为它们必须处理非常小且通常不平衡的数据。本研究探讨了先前研究中发现对光路径分类特别有用的算法如何应对这些挑战。随机森林和极端梯度提升算法应用于从网络运营商提供的真实数据集中进行主动学习，仅从少量训练实例开始。采用不确定性采样和多样性采样进行查询选择，并使用基于置信度的停止准则和基于稳定性的停止准则来确定过程可以安全终止的时间。结果表明，主动学习是创建光路径分类模型的有用方法，能够节省超过一半的为模型创建提供类别标签所需的成本。
Keyword:
Optical networks
Machine learning
Classification
Active learning
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
How to measure uncertainty in uncertainty sampling for active learning主动学习不确定度抽样中如何测量不确定度.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏分享收藏
分享收藏
查看更多内容