基于多任务学习的气动数据预测
机器学习
2020-10-20 v1 人工智能
摘要
数据集的质量是影响气动数据模型准确性的关键因素之一。例如，在均匀采样的 Burgers' 数据集中，不足的高速数据被海量的低速数据所淹没。由于高速数据数量有限，预测高速数据比预测低速数据更困难，即 Burgers' 数据集的质量不尽如人意。为提高数据集质量，传统方法通常在建模前采用数据重采样技术为原始数据集中不足的部分生成足够数据，这增加了计算成本。近来，专家混合已在自然语言处理中用于处理句子的不同部分，这为消除气动数据建模中数据重采样的需要提供了方案。受此启发，我们提出多任务学习（MTL），一种数据集质量自适应学习方案，它将任务分配与气动特性学习结合在一起以分散整个学习任务的负担。任务分配将整体学习任务划分为若干独立子任务，而气动特性学习同时学习这些子任务以取得更好精度。我们进行了两个使用劣质数据集的实验来验证 MTL 对数据集的数据质量自适应性。结果表明，在劣质数据集上 MTL 比 FCNs 和 GANs 更准确。
引用
@article{arxiv.2010.09475,
title = {Aerodynamic Data Predictions Based on Multi-task Learning},
author = {Liwei Hu and Yu Xiang and Jun Zhan and Zifang Shi and Wenzheng Wang},
journal= {arXiv preprint arXiv:2010.09475},
year = {2020}
}