基于任务推断的元学习动力学预测
机器学习
2022-10-13 v5
摘要
当前用于动力学预测的深学习模型在泛化方面存在困难。它们只能在特定域内预测，当应用于具有不同参数、外力或边界条件的系统时便会失效。我们提出一种基于模型的元学习方法DyAd，可通过将异质域划分为不同任务来实现跨域泛化。DyAd包含两部分：一个在弱监督下推断任务时不变隐特征的编码器，以及一个学习整个域共享动力学的预测器。编码器在推理过程中利用自适应实例归一化与自适应填充来适配并控制预测器。理论上，我们证明该过程的泛化误差与源域中的任务相关性以及源域与目标域之间的域差异有关。在实验上，我们表明我们的模型在湍流流场与真实海洋数据预测任务上均优于最先进的（SOTA）方法。
引用
@article{arxiv.2102.10271,
title = {Meta-Learning Dynamics Forecasting Using Task Inference},
author = {Rui Wang and Robin Walters and Rose Yu},
journal= {arXiv preprint arXiv:2102.10271},
year = {2022}
}