铀氧化物形貌分析中的分布迁移模型编辑

深度学习在处理某些科学数据时仍存在挑战。尤其是，预训练数据可能无法覆盖相关的分布迁移（例如，通过使用不同测量仪器导致的迁移）。我们考察了用于分类铀矿浓缩物（UOCs）合成条件的深度学习模型，并表明模型编辑在提升该领域常见分布迁移的泛化能力方面尤为有效。具体而言，在两个精选数据集上，模型编辑优于微调：一个数据集包含在潮湿舱室中 aging 的 U$_{3}$O$_{8}$ 显微图像，另一个数据集则包含使用不同扫描电子显微镜获取的显微图像。