迭代自迁移学习：一种基于小数据集的响应时程预测通用方法
机器学习
2023-06-16 v1
摘要
深度神经网络代理模型在响应时程预测方面具有诸多优势。然而，由于精细化数值模拟与真实实验成本高昂，数据匮乏已成为实际应用中的不可避免瓶颈。本研究提出一种基于小数据集训练神经网络的迭代自迁移学习方法。提出一种名为三分支回归深度适配网络（DAN-TR）的新型基于映射的迁移学习网络。通过将 DAN-TR 与伪标签策略相耦合，发展了通用的迭代网络训练策略，并讨论了相应数据集的构建。最后，选取一个复杂部件作为案例研究。结果表明，所提方法在小数据集上可使模型性能提升近一个数量级，且无需外部标注样本、性能良好的预训练模型、额外人工标注以及复杂的物理/数学分析。
引用
@article{arxiv.2306.08700,
title = {Iterative self-transfer learning: A general methodology for response time-history prediction based on small dataset},
author = {Yongjia Xu and Xinzheng Lu and Yifan Fei and Yuli Huang},
journal= {arXiv preprint arXiv:2306.08700},
year = {2023}
}
备注
14 pages, 8 figures; Published on Journal of Computational Design and Engineering, 9(5), 2089-2102