Initiale Auswahl und nachträgliche Aktualisierung von OML-Modellen

In Abschn. 4.1 wird eine aktuelle Best-Practice-Methodik zur initialen Modellwahl bei Online-Machine-Learning-Modellen (OML-Modellen) beschrieben, die berücksichtigt, dass das Modell kontinuierlich aktualisiert wird. In Abschn. 4.2 werden Möglichkeiten des Entfernens oder der Änderung von bereits zum Modell hinzugefügten Observationen/Instanzen besprochen. Es wird beschrieben, wie nachträglich dem Modell komplett neue Merkmale hinzugefügt werden können. Zudem wird aufgezeigt, wie nach einem Modellupdate sichergestellt ist, dass die Modellgüte immer noch adäquat ist. Das sogenannte katastrophale Vergessen (katastrophale Interferenz) wird in Abschn. 4.3 im OML-Kontext betrachtet: Die kontinuierliche Aktualisierung der OML-Modelle birgt das Risiko, dass dieses Lernen nicht erfolgreich ist, wenn korrekt gelernte ältere Zusammenhänge fälschlicherweise vergessen (entlernt, engl. „de-learned“) werden.