我的小组正在研究一种 ML 模型，该模型可以使用少量数据（并且准确性较差），只要实际上可用的数据很少，但只要所述数据可用，就可以轻松扩展（考虑对现有模型进行插值，然后创建一个个人预测）。这是由于相关应用程序的业务需求（随着时间的推移安装新工厂，但需要无缝集成）。从粗略但廉价的预测转变为准确但昂贵的预测需要公司可以根据需要进行投资的劳动力。
是否有研究领域考虑了这种能够在成本和准确性之间进行权衡的“进化转换过程”？什么是正确的关键字寻找？
我正在寻找关键字/论文/社区。
是否有社区处理机器学习中的成本与准确性权衡？
人工智能
机器学习
应用
参考请求
2021-11-05 12:31:07
1个回答
欢迎来到 AI.SE ks.and1。
您所描述的内容可能与多个领域有关，但由于您只是在寻找一些关键字，我会建议一些：
- 您可能对随时学习感兴趣，最好将其称为“可以随时停止的学习”。机器学习中这种方法的一个很好的例子是随时学习决策树，正如Esmeir & Markovitch 的 2007 JMLR 论文中所总结的那样
- 除此之外，听起来您只是在描述当您获得更多数据时重新训练模型的常规过程。对于大多数算法，这只是更改程序的输入，使其指向更大的文件，包含比上次更多的记录，并且可能购买更快的 GPU 或 CPU 来训练模型，如果它花费的时间太长额外的数据。
希望这可以帮助您入门。如果您对您的问题有更多详细信息，我可能会建议一些更具体的资源。
其它你可能感兴趣的问题