UNIST研究团队开发出防止人工智能模型性能下降的学习技术
对数据漂移具鲁棒性的时间序列学习技术
“理论与实验验证已完成，AI应用潜力↑”
一种能够有效应对导致人工智能模型性能下降现象的学习技术已经被开发出来。预计这一研究将有助于提升人工智能在工业领域的应用可能性并强化其性能。
UNIST（校长 Lee Yonghoon）25日表示，产业工学系及人工智能研究生院的 Kim Sungil、Lim Dongyoung 教授团队开发出了“对数据漂移具有鲁棒性的时间序列学习技术”。
时间序列数据是指按照时间顺序、以一定周期连续收集的数据。金融、经济、交通、农业、制造、医疗健康等各类产业中使用的大量数据都具有时间序列形式。
时间序列数据会随着影响数据产生的外部因素发生变化而出现“数据漂移”现象。数据漂移是指人工智能模型训练时所用数据与实际运行环境中的数据不一致的情况。
Kim Sungil 教授称：“一旦发生数据漂移，时间序列学习人工智能模型的性能就会下降”，并补充表示：“这是使各类产业等领域难以利用时间序列数据的顽疾。”
研究团队开发出了基于 Neural SDEs（随机微分方程）的鲁棒神经网络结构设计方法论，可有效应对此类问题。
Neural SDEs 是对作为残差神经网络模型连续版本的 Neural ODEs 的扩展模型。研究团队给出了在数据漂移现象下仍能保持鲁棒性的时间序列 Neural SDEs 模型设计方法论的理论依据。
研究团队依据该方法论提出了三种 Neural SDEs 模型：Langevin-type SDE、Linear Noise SDE、Geometric SDE。研究表明，这些模型在发生数据漂移的数据集上执行插值、预测、分类等多种任务时，表现出稳定且优异的性能。
在出现数据漂移现象后，快速捕捉这一变化并重构数据、重新训练模型的一系列工程流程，以往需要耗费大量时间和成本。
研究团队等于从理论和实验两方面，全面验证了使人工智能自一开始就具备应对数据漂移鲁棒性所需的技术。
Lim Dongyoung 教授表示：“近期由于动态数据环境引发的数据漂移，导致时间序列人工智能模型性能下降的案例频繁出现”，“本研究的意义在于，开发出一种从一开始就能将人工智能训练得对漂移具有鲁棒性的方法论，并从理论和实验上验证了其性能。”
第一作者、研究员 Oh Yongkyoung 称：“我们开发了防止因时间序列数据漂移而导致人工智能性能下降的神经网络结构设计方法论”，“今后将持续开发时间序列数据漂移监测技术、训练数据重构技术等，使国内各类企业都能加以利用。”
本研究作为聚焦报告（spotlight）论文入选全球权威国际学术会议——学习表征国际会议（ICLR，International Conference on Learning Representations）前5%的论文，将于今年5月在奥地利维也纳发表。
本研究还得到了韩国保健产业振兴院生物医疗全球人才培养项目、信息通信企划评价院人工智能研究生院项目、科学技术信息通信部韩国研究财团基础研究以及人本-碳中立全球供应链研究中心等项目的支持。
![“月薪150万不如去美国年入5亿” 首尔大·KAIST人才纷纷收拾行囊 [科学家正在消失]①](https://cwcontent.asiae.co.kr/asiaresize/93/2026051914165468840_1779167814.png)
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
