Neues Paper "Uncertainty-Aware Prognosis via Deep Gaussian Process" wurde auf IEEE Access veröffentlicht
Uncertainty Quantification (UQ) ist von zentraler Bedeutung für Anwendungen, bei denen Fehlentscheidungen, aufgrund zu optimistischer Vorhersagen, zu katastrophalen Folgen führen können. Ein Beispiel für solche Anwendungen ist der Einsatz von Machine Learning Algorithmen zur Vorhersage der Restnutzungsdauer (RUL) einer bestimmten Industrieanlage.
In der Regel erhalten diese Verfahren hochdimensionale Sensordaten als Input und geben eine Schätzung der RUL in Form einer Punktschätzung aus. Dieser Ansatz kann zu völlig falschen Vorhersagen führen, wenn die Eingabedaten verrauscht sind oder ein hohes Mass an intrinsischer Unsicherheit in den Daten besteht. Um dieses Problem anzugehen, bewerten wir die Leistung verschiedener Arten von Deep Gaussian Processes zur Vorhersage einer Verteilung über RUL-Werte, so dass die Unsicherheit quantifiziert werden kann. Deep Gaussian Processes profitieren von den Vorteilen, die sowohl Deep Learning-Methoden als auch Gaussian Processes angesichts ihrer hohen Ausdruckskraft und ihrer Fähigkeit zur Durchführung von UQ mit sich bringen.
