AUTOMATED PROGRESSIVE TUNING OF MACHINE-LEARNING MODEL FOR FAULT LOCALIZATION IN OVERHEAD TRANSMISSION LINE

Conventional methods for reducing the size of a machine-learning model generally involve a costly and slow search for a new architecture, or pruning model parameters to produce a sparse machine-learning model. However, some environments, such as regression tasks to be embedded in hardware for performance in real time on time series data, require the pruned machine-learning model to be dense. Accordingly, automated progressive tuning is disclosed to jointly tune both the architecture and the parameters of a machine-learning model, initially trained for a first environment, for deployment in a second environment. In an embodiment, a constraint is imposed on the dimensions of the machine-learning model, during the tuning, to prune the machine-learning model into a smaller, dense machine-learning model that is suitable for embedding in hardware, as well as other potential environments. Les procédés classiques de réduction de taille d'un modèle d'apprentissage automatique impliquent généralement la recherche coûteuse et lente d'une nouvelle architecture, ou l'élagage des paramètres de modèle afin de produire un modèle d'apprentissage automatique épars. Toutefois, certains environnements, tels que les tâches de régression à intégrer dans le matériel pour une exécution en temps réel sur des données de série chronologique, exigent que le modèle d'apprentissage automatique élagué soit dense. Par conséquent, le réglage progressif automatisé divulgué permet d'accorder conjointement à la fois l'architecture et les paramètres d'un modèle d'apprentissage automatique, initialement appris pour un premier environnement, en vue d'un déploiement dans un second environnement. Dans un mode de réalisation, une contrainte est imposée aux dimensions du modèle d'apprentissage automatique pendant le réglage afin d'élaguer le modèle d'apprentissage automatique en un modèle d'apprentissage automatique plus petit et plus dense, adapté à l'intégration dans le matériel, ainsi que dans d'autres environnements potentiels.