ӘСКЕРИ ҚОЛДАНБАЛАРҒА АРНАЛҒАН ДИНАМИКАЛЫҚ ДЕРЕКТЕР АҒЫНДАРЫНДА КҮЙГЕ НЕГІЗДЕЛГЕН БЕЙІМДЕЛГІШ МОДЕЛЬДЕР ОРКЕСТРАЦИЯСЫ
DOI:
https://doi.org/10.56132/2791-3368-2026-2-66-34-51Кілт сөздер:
бейімделгіш оқыту, ағындық деректер, концептуалдық дрейф, машиналық оқыту, модельдерді оркестрациялау, әскери қолданысАңдатпа
Бұл мақалада статистикалық қасиеттері мен тұжырымдамалары уақыт өте келе өзгеретін деректер ағындарын өңдеу жағдайында пайдаланылатын машиналық оқыту алгоритмдерін жаңарту мәселесі қарастырылады. Статикалық деректер жиындарына арналған дәстүрлі тәсілдер мұндай динамикалық жағдайларда тұрақтылық пен дәлдікті қамтамасыз ете алмайды. Жүйе күйлеріне негізделген модельдерді оркестрациялау тәсілі ұсынылады, ол бақылау, өзгерістерді анықтау және шешім қабылдау механизмдерін бірыңғай құрылымға біріктіреді. Ұсынылған тәсіл жүйенің күй моделін пайдаланады, оның тұрақтылығын және күтілетін мінез-құлықтан ауытқу дәрежесін бағалауға мүмкіндік береді, осылайша ең қолайлы бейімделу әдістерін таңдауға мүмкіндік береді. Зерттеу нәтижелері ұсынылған тәсілдің тұрақты болжамдарды қамтамасыз ететінін, модельдің жалпы өнімділігін жақсартатынын және өзгеретін жағдайларға төзімділігін арттыратынын көрсетеді. Әзірленген тәсілді сенімділік, бейімделу және бастапқы деректердегі өзгерістерге тез жауап беру мүмкіндігі маңызды болып табылатын нақты уақыт жүйелерінде, соның ішінде қорғаныс бағытындағы жүйелерде қолдануға болады.
##plugins.themes.default.displayStats.downloads##
Әдебиеттер тізімі
1. Lukats, D., Zielinski, O., Hahn, A., & Stahl, F. (2025). A benchmark and survey of fully unsupervised concept drift detectors on real-world data streams. International Journal of Data Science and Analytics, 19(1), 1-31. https://doi.org/10.1007/s41060-024-00620-y
2. Agrahari, S., & Singh, A. K. (2022). Concept drift detection in data stream mining: A literature review. Journal of King Saud University-Computer and Information Sciences, 34(10), 9523-9540. https://doi.org/10.1016/j.jksuci.2021.11.006
3. Hovakimyan, G., & Bravo, J. M. (2024). Evolving strategies in machine learning: a systematic review of concept drift detection. Information, 15(12), 786. https://doi.org/10.3390/info15120786
4. Arora, S., Rani, R., & Saxena, N. (2024). A systematic review on detection and adaptation of concept drift in streaming data using machine learning techniques. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 14(4), e1536. https://doi.org/10.1002/widm.1536
5. Tran, Q. T., Le-Khac, N. A., & Bertolotto, M. (2026). Concept drift detection in image data stream: a survey on current literature, limitations and future directions. Artificial Intelligence Review, 59(1), 33. https://doi.org/10.1007/s10462-025-11428-y
6. Stratmann, B. (2025, November). Advancing Adaptive Learning in Non-Stationary Environments: Challenges, Methods, and Future Directions. In Workshop of Fraunhofer IOSB and Institute for Anthropomatics, Vision and Fusion Laboratory (p. 149). https://doi.org/10.58895/ksp/1000179597-9
7. Zhu, J., Wei, Y., Kang, Y., Jiang, X., & Dullerud, G. E. (2022). Adaptive deep reinforcement learning for non-stationary environments. Science China Information Sciences, 65(10), 202204. https://doi.org/10.1007/s11432-021-3347-8
8. Assis, D. N., & Souza, V. M. (2025). ADWIN-U: adaptive windowing for unsupervised drift detection on data streams: DN Assis, VMA Souza. Knowledge and Information Systems, 1-30. https://doi.org/10.1007/s10115-025-02523-1
9. Zhong, Z., Xu, M., Rodriguez, M. A., Xu, C., & Buyya, R. (2022). Machine learning-based orchestration of containers: A taxonomy and future directions. ACM Computing Surveys (CSUR), 54(10s), 1-35. https://doi.org/10.1145/3510415
10. Wen, Z., Hu, H., Yang, R., Qian, B., Sham, R. W., Sun, R., ... & Ranjan, R. (2023). Orchestrating networked machine learning applications using Autosteer. IEEE Internet Computing, 26(6), 51-58. https://doi.org/10.1109/mic.2022.3180907
