用于自适应学习的快速神经网络集成认知建模不确定性
机器学习
2023-09-14 v1
摘要
嵌入式仿真器神经网络是一类物理信息神经网络，利用多保真数据源进行航空航天工程系统的高效设计探索。神经网络模型的多个实现以不同随机初始化进行训练。模型实现的集成用于评估由于训练样本缺乏所引起的认知建模不确定性。这种不确定性估计对于航空航天系统设计探索中成功的面向目标的自适应学习是关键信息。然而，训练集成模型的成本常常变得 prohibitive 并带来计算挑战，尤其当模型在自适应学习期间非并行训练时。本工作中，提出了一种使用快速神经网络范式的新型嵌入式仿真器神经网络。与通过基于梯度的反向传播优化所有网络层的权重和偏置的传统神经网络训练不同，快速神经网络训练通过应用线性回归技术仅调整最后一层连接权重。研究发现，所提嵌入式仿真器神经网络近乎瞬时训练完成，且通常不损失预测精度。所提方法在多个解析算例以及通用高超声速飞行器的航空航天飞行参数研究中得到了验证。
引用
@article{arxiv.2309.06628,
title = {Epistemic Modeling Uncertainty of Rapid Neural Network Ensembles for Adaptive Learning},
author = {Atticus Beachy and Harok Bae and Jose Camberos and Ramana Grandhi},
journal= {arXiv preprint arXiv:2309.06628},
year = {2023}
}