基于 $\epsilon$-加权混合查询策略的回归深度主动学习
机器学习
2022-07-12 v3 人工智能
摘要
设计一种廉价的近似代理模型以捕捉昂贵高保真行为的显著特征，是设计优化中的普遍方法。近来，深度学习（DL）模型正被用作工程问题中有前景的代理计算模型。然而，创建基于 DL 的代理模型的主要挑战在于需模拟/标注大量设计点，这对于计算成本高和/或高维的工程问题而言十分耗时。在本工作中，我们将主动学习（AL）方法与 DL 结合，提出一种新颖的采样技术。我们称此方法为 -加权混合查询策略（-HQS），其关注每次学习迭代时代理模型的评估，并给出设计空间中代理模型失效概率的估计。通过复用已收集的训练与测试数据，学习到的失效概率将下一次迭代的采样过程引导至高失效概率区域。在实证评估中，与其他样本选择方法相比，观察到代理模型具有更好的精度。我们在两个不同工程设计领域对该方法进行了实证评估：基于有限元的潜艇压力容器静应力分析（计算成本高过程）以及潜艇螺旋桨设计（高维问题）。https://github.com/vardhah/epsilon_weighted_Hybrid_Query_Strategy
引用
@article{arxiv.2206.13298,
title = {Deep Active Learning for Regression Using $\epsilon$-weighted Hybrid Query Strategy},
author = {Harsh Vardhan and Janos Sztipanovits},
journal= {arXiv preprint arXiv:2206.13298},
year = {2022}
}