Neues ML-Framework reduziert Klassendisproportion in optischen Netzwerken

In der letzten Zeit hat das maschinelle Lernen bei der Fehlerverwaltung in optischen Netzwerken stark an Bedeutung gewonnen. Ein zentrales Problem bleibt jedoch die starke Klassenungleichheit: Normale Messwerte überwiegen Fehlermeldungen bei weitem. In einer aktuellen Studie wurde ein umfassender Vergleich von Vor-, In- und Nachverarbeitungsansätzen zur Beseitigung dieser Ungleichheit durchgeführt.

Für die Fehlererkennung erwies sich die Nachverarbeitung – insbesondere die Anpassung von Schwellenwerten – als die effektivste Methode, mit einer Steigerung des F1‑Scores um bis zu 15,3 %. Gleichzeitig zeigte das Random‑Under‑Sampling die schnellste Inferenzzeit. Bei der Fehleridentifikation erzielten generative KI‑Methoden die größten Verbesserungen, bis zu 24,2 % mehr Genauigkeit, während Nachverarbeitungsstrategien in Mehrklassen‑Szenarien nur begrenzte Wirkung zeigten.

Wenn Klassenüberlappungen auftreten und die Latenz kritisch ist, sind Überabtastungsverfahren wie SMOTE besonders wirksam. Ohne Latenzbeschränkungen liefert Meta‑Learning die besten Ergebnisse. In Szenarien mit geringer Überlappung bieten generative KI‑Ansätze die höchste Leistung bei gleichzeitig minimaler Inferenzzeit.