用于源定位中迁移学习的元模型
机器学习
2024-11-11 v2 机器学习
应用统计
摘要
在实践中，无损检测（NDT）流程往往将实验（及其各自模型）视为独立的、孤立进行的并关联独立数据。相反，本工作旨在捕捉声发射（AE）实验之间的相互依赖关系（作为元模型），然后利用所得函数预测此前未观测系统的模型超参数。我们采用一种贝叶斯多层方法（类似于深度高斯过程），其中较高层的元模型捕捉任务间关系。我们的关键贡献在于如何将实验活动的知识在任务间以及任务内编码。我们给出一个 AE 到达时间映射用于源定位的示例，以说明多层模型如何自然适用于表示工程中的聚合系统。我们基于领域知识约束元模型，然后利用任务间函数进行迁移学习，为先前未观测实验（针对特定设计）的模型预测超参数。
引用
@article{arxiv.2305.08657,
title = {Meta-models for transfer learning in source localisation},
author = {Lawrence A. Bull and Matthew R. Jones and Elizabeth J. Cross and Andrew Duncan and Mark Girolami},
journal= {arXiv preprint arXiv:2305.08657},
year = {2024}
}