Jul, 2023

工程中融合先验知识的机器学习路径

PDF
TL;DR本研究介绍一个三级知识集成机器学习方法，在工程领域平衡整体主义和还原主义的视角，以在数据驱动的过程中转移和利用领域知识。
first-principles modelsdata-driven approachesknowledge integrationmachine learning paradigmengineering domain
发现论文，激发创造
  • 将科学知识与机器学习相结合，用于工程和环境系统

    本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法，总结了这些方法的应用领域，并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法，提出了现有技术的分类方法，揭示了知识漏洞和不同学科间方法的潜在交叉点，可用作未来研究的思路。

    Mar, 2020

  • 机器学习中知识与数据的融合

    该研究总结和分析了现有文献，确定了研究空白和未来机遇。知识嵌入和知识发现是整合知识和数据的两种重要方法，结合知识嵌入和知识发现形成一个闭环的知识生成和使用，可以提高模型的鲁棒性和准确性，并发现之前未知的科学原理。

    Feb, 2022

  • 知情机器学习 —— 将知识融入学习系统的分类与调查

    本文介绍了一个结构化的视角，讨论了先验知识在机器学习中的应用，阐述了先验机器学习的定义、概念和分类框架，并通过阅读相关研究论文总结了该领域的关键方法。

    Mar, 2019

  • 基于模型的深度学习

    本文介绍了一种新的信号处理和机器学习交叉领域的混合技术 —— 基于模型的深度学习系统。这种新技术结合了传统的数学模型与深度学习的优势，可以通过限定的数据量学习数据，同时保留先前领域知识，以期获得更高效的性能。本文提出了一种新的系统分类方法，并提供了具体的指南和来自最近文献的信号处理案例，以帮助未来基于模型的深度学习设计与研究。

    Dec, 2020

  • 为基于模型的 AI 工程开启自动化机器学习

    本文提出了一种新方法，支持自动化机器学习，帮助软件工程师在不需要深入了解人工智能的情况下，选择适当的机器学习模型、算法和技术以及适当的超参数来开发人工智能密集型系统，并进行智能能源领域的案例研究。

    Mar, 2022

  • 将领域知识融入深度神经网络

    本文调查了通过神经网络构建模型时如何加入领域知识，提供两种编码这种知识的方法，并描述了在每个方法的几个子类别中获得的技术和结果。

    Feb, 2021

  • 渐进降阶建模：以选择性知识传输强化数据驱动建模

    通过减少数据需求并提高数据驱动模型的实际性，我们提出了一种渐进降阶建模框架，通过选择性地从之前的训练模型中转移有价值的知识，从而创建一个具有高准确性的代理模型。我们的研究通过缓解数据稀缺问题，解锁了数据驱动建模在实际工程应用方面的潜力，为各个领域的进步提供了强有力的支持。

    Oct, 2023

  • 物理学知识驱动的机器学习：问题、方法和应用综述

    本篇调查报告讲述了物理资讯机器学习在机器学习与数学物理模型的交叉领域中的应用和发展，它以物理机制为前提，在模型结构、优化器、推断算法和特定领域的应用（如逆向工程设计和机器人控制）等方面将不同的物理先验形式编码成模型，随着跨领域的研究，增强模型精度，提高效率，并对相关学科领域解决长期存在的问题提供可贵帮助。

    Nov, 2022

  • 自主学习者之路

    本文提出了一种新的理论方法，通过智能系统实现领域知识获取。我们介绍了一种混合模型，通过一个知识图谱数据库存储和推理最小输入知识，并通过逻辑神经网络学习新信息。我们研究了该系统处理新数据的行为，并展示最终系统能够丰富当前的知识并将其扩展到新领域。

    Nov, 2022

  • 跨领域知识转移的图启用方法

    通过跨领域知识转移来减少领域知识不足的影响，结合半监督学习及大量无监督数据，提高机器学习任务的性能以实现自动决策

    Apr, 2023