物理信息变分自编码器：提升对环境变化因素的鲁棒性
计算机视觉与模式识别
2025-02-27 v5 机器学习
摘要
将机器学习模型与物理模型相结合是近期学习鲁棒数据表示的研究路径。本文中，我们引入 pVAE，一种变分自编码器，它集成了关于与数据采集条件相关的潜变量的先验物理知识。pVAE 将标准神经网络层与不可训练的物理学层结合，以将潜空间部分锚定于物理变量。我们提出一种半监督学习算法，在机器学习部分与物理部分之间取得平衡。在模拟与真实数据集上的实验证明了我们的框架相对于竞争的物理信息与传统机器学习模型在外推能力与可解释性方面的优势。特别地，我们展示 pVAE 天然具有有趣的解耦能力。我们的代码与数据已公开于 https://github.com/Romain3Ch216/p3VAE。
引用
@article{arxiv.2210.10418,
title = {Physics-informed Variational Autoencoders for Improved Robustness to Environmental Factors of Variation},
author = {Romain Thoreau and Laurent Risser and Véronique Achard and Béatrice Berthelot and Xavier Briottet},
journal= {arXiv preprint arXiv:2210.10418},
year = {2025}
}
备注
Submitted to Springer Machine Learning