迈向更可靠和可持续的机器学习服务

在过去的几十年里，机器学习(ML)领域取得了巨大的成功。企业已经开始依赖ML为客户提供持续的服务。例如，推荐系统和学习排名模型被互联网公司广泛用于服务客户。可靠和可持续的基于机器学习的服务的一个重要特征是它超过了基本的培训要求。从一开始，它就涉及到数据准备(例如数据摄取、管理、验证)、增强对特征选择和工程的关注，还可能依赖集成模型来进一步提高基于ML的服务的性能。

由于机器学习服务通常长期在线提供，因此使用增量反馈重新训练汽车模型、处理概念漂移和环境变化等问题变得非常关键。此外，由于提供这样的服务是有成本的，如何在性能、计算资源和易于维护之间取得平衡是非常具有挑战性的。

为了推进这一方向的研究，我们希望就以下主题征集文章:
处理ML处理概念漂移的动态环境
-学习增量反馈
-因果推理
-处理噪声和数据缺失
-处理ML中的采样、测量和算法偏差
-资源约束机器学习
- ML可靠性和可持续性的评估指标
-自动机器学习
-终身学习
-不变学习

关键字:人工智能、机器学习、自动机器学习、终身学习、开放集学习、机器学习服务、不变学习

重要提示:所有对本研究主题的贡献必须在其所提交的章节和期刊的范围内，如其使命声明中所定义的那样。雷竞技rebat在同行评审的任何阶段，Frontiers保留将超出范围的稿件引导到更合适的章节或期刊的权利。