一种基于增量学习的矿山AI模型微调与优化管理方法

本发明涉及AI模型管理技术领域，具体为一种基于增量学习的矿山AI模型微调与优化管理方法，包括以下步骤：针对增量数据流中的每个掘进机状态数据样本，调用当前版本模型与上一版本模型，计算两个模型输出分布的KL散度，同时计算当前版本模型对掘进机状态数据样本的预测熵。本发明通过对掘进机状态数据样本中KL散度与预测熵的双维度计算，并将样本映射至二维空间以识别帕累托前沿集合，能够实现对信息价值与模型不确定性并存的高潜力样本的筛选，避免了冗余样本的无效训练，提升数据利用率，而将集合边界样本进行人工标注后统一构建增量训练关键样本集，可在模型更新中持续引入高质量信息源，实现训练目标的针对性收敛。