Szczegóły publikacji
Opis bibliograficzny
Ramy statystycznej walidacji modeli uczenia maszynowego w telekomunikacji — An approach for statistical validation of machine learning models in telecommunication / Sebastian ZARĘBSKI, Krzysztof RUSEK, Piotr CHOŁDA // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN 1230-3496. — 2025 — R. 98 nr 4, s. 249–252. — Bibliogr. s. 252, Abstr. — S. Zarębski - dod. afiliacja: NOKIA, Kraków. — KRiT 2025 : Konferencja Radiokomunikacji i Teleinformatyki : Gdańsk, 10–12 września 2025
Autorzy (3)
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 161961 |
|---|---|
| Data dodania do BaDAP | 2025-09-04 |
| Tekst źródłowy | URL |
| DOI | 10.15199/59.2025.4.55 |
| Rok publikacji | 2025 |
| Typ publikacji | referat w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne |
Abstract
Machine Learning (ML) models are revolutionizing decision-making and optimization across industries. In critical areas, such as telecommunications, especially for 4G and 5G base stations, early detection of faults in software regression testing is essential to ensure high QoS and network reliability. It is essential to show that ML models deliver statistically significant advantages over randomness. This paper presents a resilient statistical validation framework for evaluating post-training ML models, ensuring their effectiveness in challenging software settings. Our method distinctly proves an ML model’s capacity to learn trends from data, separating its performance from a random baseline. By employing a variety of statistical tests, we provide evidence for the ML classifier’s consistent and significant outperformance. This framework offers a practical path to building trust in ML components, ensuring their successful integration into infrastructures.
Streszczenie
Modele uczenia maszynowego (ML) rewolucjonizują podejmowanie decyzji i optymalizację w różnych branżach. W krytycznych obszarach, takich jak telekomunikacja, zwłaszcza w przypadku stacji bazowych 4G i 5G, wczesne wykrywanie błędów w testach regresyjnych jest niezbędne do zapewnienia wysokiej jakości usług (QoS) i niezawodności sieci. Kluczowe jest wykazanie, że modele ML zapewniają statystycznie istotne korzyści w porównaniu z przypadkowymi wynikami. Niniejszy artykuł przedstawia ramy walidacji statystycznej dla oceny wytrenowanych modeli ML, zapewniające ich skuteczność w wymagających środowiskach oprogramowania. Dzięki proponowanej metodzie wykazujemy zdolność modelu ML do uczenia się trendów z danych, odróżniając jego wydajność od losowej linii bazowej. Stosując różnorodne testy statystyczne dostarczamy dowodów na przewagę klasyfikatora ML. Ramy te oferują praktyczną ścieżkę budowania zaufania do komponentów ML, zapewniając ich pomyślną integrację w infrastrukturach.
