하드 드라이브 실패 예측을 위한 기계 학습 방법: 다중 인스턴스 응용

우리는 개별 드라이브에서 내부 모니터링된 속성을 사용하여 컴퓨터 하드 드라이브 실패를 예측하는 어려운 실제 문제에 적용된 기계 학습 방법을 비교합니다. 이 문제는 노이즈가 많고 비모수적으로 분포된 데이터의 시계열에서 드문 사건을 감지하는 것입니다. 우리는 낮은 위양성 케이스를 위해 특별히 설계된 다중 인스턴스 학습 프레임워크와 순진 베이지안 분류기(mi-NB)를 기반으로 하는 새로운 알고리즘을 개발했으며, 이는 유망한 성능을 보여주고 있습니다. 비교 대상으로는 서포트 벡터 머신(SVM), 비지도 군집화 및 비모수 통계 검정(순위합 및 역배열)이 있습니다. SVM, 순위합 및 mi-NB 알고리즘의 실패 예측 성능은 현재 드라이브에 구현된 임계값 방법보다 상당히 우수하며, 낮은 위양성률을 유지합니다. 우리의 결과는 비모수 통계 검정이 시계열 데이터에서 드문 사건을 감지하는 학습 문제에 대해 고려되어야 함을 시사합니다. 부록에서는 이산적이고 묶인 관측의 경우 순위합 유의 확률 계산을 자세히 설명하며, 일반적으로 사용되는 정규 근사 대신 정확한 계산이 사용되어야 할 때에 대한 새로운 권장 사항을 제시합니다. 이러한 정규 근사는 하드 드라이브 실패와 같은 드문 사건 문제에 대해 특별히 부정확할 수 있습니다.