利用显微组织图像构建数据驱动模型：泛化性与可解释性
人工智能
2017-11-02 v1 材料科学
摘要
随着数据驱动方法在材料科学应用中的普及，一个关键问题是如何利用这些机器学习模型来理解显微组织。考虑到过程-结构-性能关系在材料科学中的重要性，似乎能够利用显微组织数据的模型更应具备预测性能信息的能力。尽管近期已有一些尝试使用卷积神经网络来理解显微组织图像，但这些早期研究仅关注哪种特征化方法能在单一数据集上产生最高的机器学习模型精度。本文以更整体的目标探索卷积神经网络用于显微组织分类：数据集间的泛化性、所需特征数量以及可解释性。
引用
@article{arxiv.1711.00404,
title = {Building Data-driven Models with Microstructural Images: Generalization and Interpretability},
author = {Julia Ling and Maxwell Hutchinson and Erin Antono and Brian DeCost and Elizabeth A. Holm and Bryce Meredig},
journal= {arXiv preprint arXiv:1711.00404},
year = {2017}
}