DIVIDE：基于深度编码器和高斯过程的多机制数据学习框架
机器学习
2025-11-18 v1 材料科学
摘要
科学数据集常常来源于多个独立机制，如空间、类别或结构效应，其组合影响掩盖了各自的贡献。我们提出 DIVIDE 框架，通过将机制特定的深度编码器与结构化高斯过程在联合潜在空间中集成，来分离这些影响。此处的分离指的是分离独立作用的生成因子。编码器隔离不同的机制，而高斯过程捕捉其组合效应并提供校准不确定性。该架构支持结构化先验，实现可解释且机制感知的预测，同时支持高效主动学习。DIVIDE 在合成数据集上进行演示，该数据集将类别图像块与非线性空间场相结合，在 FerroSIM 自旋晶格仿真中模拟铁电模式，在 PbTiO3 薄膜的实验 PFM 滞回线中进行测试。在各项基准测试中，DIVIDE 成功分离机制，复现了可加和缩放相互作用，并在噪声下保持鲁棒性。该框架自然扩展到机械、电磁或光学响应共存的多功能数据集。
引用
@article{arxiv.2511.12745,
title = {DIVIDE: A Framework for Learning from Independent Multi-Mechanism Data Using Deep Encoders and Gaussian Processes},
author = {Vivek Chawla and Boris Slautin and Utkarsh Pratiush and Dayakar Penumadu and Sergei Kalinin},
journal= {arXiv preprint arXiv:2511.12745},
year = {2025}
}
备注
33 pages, 10 main figures, 7 additional in SI