使用自编码器的离群值分类：在聚变等离子体涨落驱动流中的应用
等离子体物理
2019-01-23 v4
摘要
理解磁约束等离子体边界层中涨落驱动流的统计特性，对于准确建模真空室部件的寿命是必要的。镜面朗缪尔探针(MLPs)是一种新型诊断手段，独特地允许在短于其涨落特征时间尺度的时间尺度上采样等离子体参数。等离子体中突发的的大幅涨落会降低 MLP 所报告等离子体参数的精度与准确度，当探针偏置范围幅度不足时尤为如此。虽然某些数据样本可轻易归类为有效与无效，但我们发现，对于本研究中考虑的等离子体参数和偏置电压，多达 40% 的采样数据其分类可能模糊不清。在本文中，我们采用自编码器(AE)学习有效数据样本的低维表示。按定义，该空间中的坐标即为最表征有效数据的特征。模糊数据样本在该空间中利用针对向量数据的标准分类器进行分类。由此，我们避免了定义复杂的阈值规则来识别离群值，后者需要强假设并在分析中引入偏差。相反，这些规则由数据通过统计推断学习得到。通过移除在 AE 潜在低维空间中识别的离群值，我们发现平均传导与对流径向热通量比按阈值识别离群值移除时低约 5% 至 15%。对于由三重关联贡献的径向热通量，差异高达 40%。
引用
@article{arxiv.1804.08927,
title = {Outlier classification using Autoencoders: application for fluctuation driven flows in fusion plasmas},
author = {R. Kube and F. M. Bianchi and D. Brunner and B. LaBombard},
journal= {arXiv preprint arXiv:1804.08927},
year = {2019}
}