面向动力系统的物理耦合时空主动学习
机器学习
2021-08-13 v1
摘要
时空预测在从大气科学到近期 COVID-19 传播建模的广泛动力系统应用中具有重要意义。这些应用依赖于对反映真实世界现象的时空结构化数据的准确预测。一个显著特征是动力系统不仅受某些物理定律驱动,还受到空间和时间区域中局部因素的影响。主要挑战之一是推断潜在成因,这些成因生成所感知的数据流并通过分布式观测单元传播相关的因果动态。另一挑战是,基于机器学习的预测模型的成功需要大量标注数据用于模型训练。然而,高质量标注数据的获取客观上依赖人工且繁琐,因为它需要相当多的人工干预,使得在需要高水平专业知识的领域难以实现。为应对这些挑战,我们提出一种时空物理耦合神经网络(ST-PCNN)模型,以学习动力系统的潜在物理规律,并进一步将所学物理规律耦合以辅助周期性动态的学习。为处理数据获取限制,提出了一种结合 Kriging 的主动学习机制,用于在部分可观测环境中为 ST-PCNN 主动获取信息量最大的数据。我们在合成与真实世界数据集上的实验表明,所提出的带主动学习的 ST-PCNN 以显著更少的样本收敛至接近最优的精度。
引用
@article{arxiv.2108.05385,
title = {Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems},
author = {Yu Huang and Yufei Tang and Xingquan Zhu and Min Shi and Ali Muhamed Ali and Hanqi Zhuang and Laurent Cherubin},
journal= {arXiv preprint arXiv:2108.05385},
year = {2021}
}