Wie sichert man Künstliche Neuronale Netze gegen unerwartetes Verhalten bei Extrapolation ab?

Künstlichen Neuronalen Netzen wird nachgesagt, dass sie empfindlich bezüglich Extrapolation sind und es oft nicht klar und vorhersehbar ist, wie sie sich bei Input-Daten verhalten, welche nicht Teil der Menge an Trainingsdaten waren. Wie sichert man sich gegen unsicheres Verhalten der Neuronalen Netze bei Extrapolation ab?

Bei der Angelegenheit handelt es sich eigentlich gar nicht um ein spezifisches Problem von Künstlichen Neuronalen Netzen, sondern um ein allgemeines Robustheitsproblem, welches grundsätzlich für alle Optimierungsaufgaben und mathematischen Modellen mit hoher Funktionalität in der selben Art und Weise gilt. Bei analytischen und regelbasierten Modellen und Algorithmen müssen die Extrapolationseigenschaften ebenso gewissenhaft und gründlich überprüft werden, wie es bei hoch-funktionalen Machine Learning-Modellen der Fall ist. Neben den, beim Machine Learining üblichen Validierungsprozessen, welche standardmäßiger Bestandteil des Trainngsvorgangs sind, gibt es allerdings noch weitere, darüber hinausgehende Ansätze, um Einsatz und Betrieb von Neuronalen Netzen abzusichern:

• Einführung eines dezidierten Robustheitsmanagement,
• begleitende Anomalie- und Störungserkennung,
• Einführung von kollektivem Lernen mit Hilfe von vernetzten Systemen z.B. im Internet-of-Things,
• dezidiertes Anforderungsmanagement inklusive Wirkfeld-Engineering z.B. mit szenario-basierten Ansätzen,
• konstruktive Erhöhung der Systemrobustheit per Design, z.B. durch
  • systematische Identifikation und Eliminierung von funktionalen Anforderungskonflikten,
  • spezifisches Design der Parametrierung,
  • spezielles, strukturelles Design der Machine-Learning-Modelle,
  • hybride Modellierung,
  • ...
• ...

Die Ausprägungen dieser Punkte sind je nach Anwendungsgebiet allerdings stark unterschiedlich. Weitere Informationen, Details und Erfahrungen dazu erhält man auf Anfrage unter info@andata.at.