使用主动学习的深度模拟模块化多泵
本文研究了基于池化的主动学习方法,提出了一种新的算法,使用神经网络在表征层上的激活空间中的最远优先遍历,从池中查询连续的点,相比于随机抽样和传统的不确定性抽样技术,对MNIST、CIFAR-10和CIFAR-100三个数据集的样本复杂度都有显著提高。
Nov, 2017
本研究开发了一种基于支持向量分类的基础池式主动学习器的快速简单的实践方法,旨在解决很少标记数据点的情况下进行模型选择的挑战,并通过加权方法让模型在易于分类数据集和难以分类数据集之间取得平衡的最佳性能。
Dec, 2021
本研究提出了一种基于主动学习的框架Active Bucketized Sampling (ABS),它将输入数据分为桶形分布,利用获取函数确定下一步的采样位置,在时间限制内训练最佳的OPF代理模型,实验结果表明ABS的性能高效。
Aug, 2022
提出了一种简单且可扩展的主动学习方法,以在学生-教师方式下训练替代模型,以取代使用贝叶斯框架对基于深度神经网络(DNN)的替代模型进行复杂的训练过程,从而利用深度学习的优秀能力来减少计算复杂度,在实践中验证了该方法具有可行性并可用于多个工程设计领域。
Nov, 2022
通过使用回归替代模型的主动学习框架,结合基于热力学的离心压缩机模型和高斯过程模型,以降低计算成本和优化离心压缩机设计的总计算时间。
Sep, 2023
基于物理守恒神经网络(PINNs)的机器学习模型用于估计液体系统参数,通过计算研究以模拟和实验数据为基础的水油比例不同情况下的系统动态和未知参数,从而减少昂贵的现场实验测试。
Oct, 2023
我们提出了一种新颖的方法,使用Kolmogorov-Arnold网络预测柔性电流体力泵的压力和流量。通过受到Kolmogorov-Arnold表示定理的启示,KAN通过可学习的基于样条的激活函数代替固定的激活函数,使其比传统模型如多层感知器和随机森林更有效地逼近复杂的非线性函数。我们在柔性EHD泵参数的数据集上评估了KAN,并将其性能与RF和MLP模型进行了比较。KAN取得了较高的预测准确性,在压力和流量预测方面的均方误差分别为12.186和0.001。从KAN中提取的符号公式揭示了输入参数与泵性能之间的非线性关系。这些发现表明,KAN具有出色的准确性和可解释性,使其成为电流体力泵预测建模中有希望的替代方法。
May, 2024
通过将主动学习策略用于深度神经网络(DNN)代理训练,可以智能地和客观地选择训练模拟,减少生成大量模拟数据的需求,并降低DNN代理性能对预定义训练模拟的依赖,为高性能科学模拟的有效性奠定了基础。
Jul, 2024
本研究应对传统神经偏微分方程(PDE)求解器在大量训练数据需求上的不足,提出了AL4PDE,一个模块化和可扩展的主动学习基准。通过使用主动学习方法,研究表明与随机采样相比,主动学习可以将平均误差降低最多71%,并且生成的数据集具有重复利用性和一致性,对后续的模型提高有显著作用。
Aug, 2024