面向航空机器学习问题的自编码特征提取
机器学习
2020-11-10 v2 机器学习
摘要
当前针对高维异构航空数据人工处理特征的做法费力耗时，难以扩展到新问题，且易造成信息丢失，影响机器学习（ML）流程的效果与可维护性。本研究探索了一种无监督学习方法——自编码器（autoencoder），以提取面向航空机器学习问题的有效特征。研究探索了自编码器的多种变体，旨在迫使输入的学习表示具备有用特性。我们开发了用于航迹异常检测的自编码器，以展示该技术的通用性。研究结果表明，自编码器不仅能自动提取航迹数据的有效特征，还能高效深度清洗数据，从而减轻数据科学家的工作负担。此外，研究利用迁移学习高效训练多机场模型。迁移学习可将模型训练时间从数天缩短至数小时，并提升模型性能。所开发的应用与技术已共享给整个航空界，以提升正在进行及未来机器学习研究的效果。
引用
@article{arxiv.2011.01464,
title = {Autoencoding Features for Aviation Machine Learning Problems},
author = {Liya Wang and Panta Lucic and Keith Campbell and Craig Wanke},
journal= {arXiv preprint arXiv:2011.01464},
year = {2020}
}
备注
Paper has been submitted to AIAA conference