通过潜变量高斯过程实现可解释的多源数据融合
机器学习
2024-11-19 v4 机器学习
摘要
随着人工智能和机器学习的出现，科学与工程界的各个领域利用数据驱动的代理模型，通过融合来自已发表论文、专利、开放存储库或其他资源的大量信息（数据）源，对复杂系统进行建模。然而，信息源中已知和未知底层物理参数的质量与全面性差异却鲜受关注，而这些差异可能会在系统优化期间产生下游影响。此外，现有方法无法将多源数据融合到单一预测模型中。为解决这一问题，提出了一种基于潜变量高斯过程（LVGP）的多源数据融合框架。各个数据源被标记为特征分类变量，并被映射到物理上可解释的潜空间，从而允许开发具有数据源感知的数据融合建模。此外，引入了基于 LVGP 潜变量的相异性度量，以研究和理解数据源之间的差异。所提出的方法通过两个数学案例和两个材料科学案例研究进行了演示和分析。从案例研究中观察到，与使用单源和数据源无关的机器学习模型相比，所提出的多源数据融合框架能够为稀疏数据问题提供更好的预测。
引用
@article{arxiv.2402.04146,
title = {Interpretable Multi-Source Data Fusion Through Latent Variable Gaussian Process},
author = {Sandipp Krishnan Ravi and Yigitcan Comlek and Arjun Pathak and Vipul Gupta and Rajnikant Umretiya and Andrew Hoffman and Ghanshyam Pilania and Piyush Pandita and Sayan Ghosh and Nathaniel Mckeever and Wei Chen and Liping Wang},
journal= {arXiv preprint arXiv:2402.04146},
year = {2024}
}
备注
27 Pages, 10 Figures, 5 Supplementary Figures, 2 Supplementary Tables