利用负数据约束工程设计的生成模型
机器学习
2024-12-03 v2 计算工程、金融与科学
摘要
生成模型近来在社会中取得了显著成功与广泛应用,但它们常难以生成真实且准确的输出。这一挑战超越语言与视觉,延伸至工程设计等领域,其中安全关键的工程标准与不可妥协的物理定律严格约束了可接受的输出。在本文中,我们引入一种新颖训练方法,利用“负数据”——即需避免的示例——引导生成模型朝向满足约束的输出。我们的负数据生成模型(NDGM)表述轻松优于经典模型,在特定问题中以 1/8 的数据量生成了仅 1/6 的违反约束样本。它还持续优于其他基线,在测试的 14 个问题中于 12 个上实现了约束满足与分布相似性之间无人能及的平衡。这一广泛优越性在众多合成测试与真实工程问题(如带水动力约束的船体合成与带碰撞安全约束的车辆设计)中得到严格证明。我们的基准既展示了新 NDGM 表述的最佳性能,也展现了 NDGM 相对经典生成模型的总体优势。我们在 https://github.com/Lyleregenwetter/NDGMs 公开发布代码与基准。
引用
@article{arxiv.2306.15166,
title = {Constraining Generative Models for Engineering Design with Negative Data},
author = {Lyle Regenwetter and Giorgio Giannone and Akash Srivastava and Dan Gutfreund and Faez Ahmed},
journal= {arXiv preprint arXiv:2306.15166},
year = {2024}
}