Levenslange zelf-aanpassing om concept drift aan te pakken in zelf-adaptieve systemen ondersteund met machinaal leren

Naarmate software systemen complexer worden en voortdurend moeten werken in onzekere omstandigheden, wordt het integreren van technieken voor het beheren van onzekerheden tijdens hun werking essentieel. Een belangrijke aanpak hiervoor is gebaseerd op het principe van een externe feedback loop die toegevoegd wordt aan het systeem; dit vormt de basis vormt voor zelf-adaptieve systemen. Recentelijk is heel wat onderzoek verricht naar het gebruik van machinaal leren om de feedback loop functies te ondersteunen. Doch klassieke technieken voor machinaal leren zijn typisch ontworpen voor een gedefinieerde set van leertaken waardoor het moeilijk is om met nieuwe leertaken tijdens de uitvoering om te gaan zonder of met beperkte manuele tussenkomst. Een typisch voorbeeld hiervan in zelf-adaptieve systemen is concept drift. 

Het centrale onderzoeksprobleem van dit proefschrift omvat hoe concept drift aan te pakken in zelf-adaptieve systemen ondersteund met machinaal leren. Dit centrale probleem hebben we opgesplitst in drie sub-problemen: (1) hoe om te gaan met covariantie drift in zelf-adaptieve systemen ondersteund met machinaal leren, (2) hoe om te gaan met het verschijnen van nieuwe klassen in zelf-adaptieve systemen ondersteund met machinaal leren, en (3) wat is de impact van het toepassen van machinaal leren op de garanties van  zelf-adaptieve systemen. 

Dit proefschrift levert vier bijdragen. De eerste bijdrage is een systematische literatuurstudie die het belangrijke probleem van concept drift identificeert en de noodzaak aantoont voor niet-gesuperviseerde leermethoden om nieuwe klassen te detecteren. De tweede bijdrage is een algemene architectuur genaamd “levenslange zelf-aanpassing” die de principes van levenslang machinaal leren benut om het probleem van concept drift in zelf-adaptieve systemen aan te pakken. Deze architectuur werd geïnstantieerd om covariantie drift aan te pakken en geëvalueerd in twee verschillende toepassingsdomeinen. De derde bijdrage is de instantiatie van de algemene architectuur om met het probleem aan te pakken van het verschijnen van nieuwe klassen in zelf-adaptieve systemen ondersteund met machinaal leren. Deze aanpak hebben we geëvalueerd in het domein van Internet-of-Things. Tenslotte, de vierde bijdrage bepaalt de grens van de impact van het toepassen van machinaal leren in zelf-adaptieve systemen, waarbij we ons baseren op computationele leertheorie. We kijken hierbij specifiek naar het gebruik van machinaal leren voor het reduceren van de mogelijke configuraties voor adaptatie bepaald met behulp van statistische modelcontrole.