Jan, 2024
选择子集用于源数据传递学习在金属增材制造中的应用
Selecting Subsets of Source Data for Transfer Learning with Applications in Metal Additive Manufacturing
Yifan Tang, M. Rahmani Dehaghani, Pouyan Sajadi, G. Gary Wang
TL;DR考虑到金属添加制造（AM）中数据不足的情况，本文提出了一种系统的方法，基于源数据和目标数据之间的相似性，为给定的受限目标领域数据找到适当的源数据子集。这种相似性是由空间和模型距离度量来表征的，并采用帕累托前沿的源数据选择方法进行集成，该方法经过迭代选择具有两个相似性距离度量所定义的帕累托前沿上的源数据。该方法在决策树回归模型和精调人工神经网络等多个领域测试中得到了验证，结果表明：1）源数据选择方法具有通用性，能够与不同的迁移学习方法和距离度量进行集成；2）与使用所有源数据相比，该方法可以在涉及不同过程和设备的金属 AM 回归任务中找到来自同一领域的较小源数据子集，具有更好的迁移学习性能；3）当存在多个源领域时，源数据选择方法能够找到来自一个源领域的子集，以获得与使用所有源领域数据构建的模型相当或更好的迁移学习性能。