基于深度生成建模的数据增强及其在 BFBT 基准空泡份额数据集上的演示
机器学习
2023-12-22 v1
摘要
深度学习（DL）因“大数据”的可用性在计算机视觉和自然语言处理等诸多学科取得了显著成功。然而，由于训练数据量有限，此类成功难以轻易复制到许多核工程问题中，尤其当数据来自高成本实验时。为克服这种数据稀缺问题，本文探索了广泛用于图像数据生成的深度生成模型（DGMs）在科学数据增强中的应用。DGMs，如生成对抗网络（GANs）、归一化流（NFs）、变分自编码器（VAEs）和条件变分自编码器（CVAEs），可被训练以学习训练数据集的潜在概率分布。一旦训练完成，它们可用于生成与训练数据相似并显著扩充数据集规模的合成数据。通过采用 DGMs 基于 NUPEC 沸水堆全尺寸细网束试验（BFBT）基准增强 TRACE 模拟的稳态空泡份额数据，本研究表明 VAEs、CVAEs 和 GANs 具有可比的生成性能且合成数据误差相近，其中 CVAEs 误差最小。结果表明，DGMs 在核工程科学数据增强方面具有巨大潜力，可有效扩充训练数据集并使其他 DL 模型训练更精确。
引用
@article{arxiv.2308.10120,
title = {Deep Generative Modeling-based Data Augmentation with Demonstration using the BFBT Benchmark Void Fraction Datasets},
author = {Farah Alsafadi and Xu Wu},
journal= {arXiv preprint arXiv:2308.10120},
year = {2023}
}
备注
27 pages, 6 figures