将物理先验作为广义正则化器的深度学习
机器学习
2023-12-15 v1
摘要
在各种科学和工程应用中，通常存在一个描述底层复杂系统的近似模型，尽管它包含偶然不确定性和认知不确定性。在本文中，我们提出了一种有原则的方法，将这些近似模型作为物理先验纳入建模中，以防止过拟合并增强训练模型的泛化能力。利用 Vapnik 创立的结构风险最小化（SRM）归纳原则，该方法将物理先验构建为广义正则化器。实验结果表明，我们的方法在测试准确率上实现了高达两个数量级的提升。
引用
@article{arxiv.2312.08678,
title = {Deep Learning with Physics Priors as Generalized Regularizers},
author = {Frank Liu and Agniva Chowdhury},
journal= {arXiv preprint arXiv:2312.08678},
year = {2023}
}
备注
8 pages main text, 13 pages supplemental materials, title of the workshop at NeurIPS 2023: AI for Scientific Discovery: From Theory to Practice