基于人工神经网络在不同物理场景间迁移知识
计算机视觉与模式识别
2019-05-06 v2 机器学习
计算物理
摘要
深度学习以数据饥渴著称，这在数据集较小时阻碍了其在许多科学领域的应用。在此，我们提出使用迁移学习方法在不同物理场景之间迁移知识，并显著提升在小数据集上训练的人工神经网络的预测精度。该方法通过利用额外的廉价数据，有助于减少对昂贵数据的需求。首先，我们证明在预测多层光子薄膜的透射率时，当源数据来自 10 层（8 层）薄膜而目标数据来自 8 层（10 层）薄膜时，相对误差率降低了 46.8%（26.5%）。其次，我们表明当两个非常不同的物理场景——多层薄膜的透射与多层纳米颗粒的散射——之间迁移知识时，相对误差率下降了 22%。最后，我们提出一种多任务学习方法，在每项任务仅拥有小数据集的情况下同时提升不同物理场景的性能。
引用
@article{arxiv.1809.00972,
title = {Migrating Knowledge between Physical Scenarios based on Artificial Neural Networks},
author = {Yurui Qu and Li Jing and Yichen Shen and Min Qiu and Marin Soljacic},
journal= {arXiv preprint arXiv:1809.00972},
year = {2019}
}