RID-Noise：面向噪声环境下鲁棒逆设计的方法
机器学习
2021-12-09 v1 人工智能
机器学习
摘要
从工程角度看，设计不仅应在理想条件下表现良好，还应抵抗噪声。这样一种设计方法论，即鲁棒设计，已在工业界广泛用于产品质量控制。然而，经典鲁棒设计对单一设计目标需要大量评估，且这些评估结果无法复用于新目标。为实现数据高效的鲁棒设计，我们提出噪声下鲁棒逆设计（Robust Inverse Design under Noise, RID-Noise），其可利用已有噪声数据训练条件可逆神经网络（cINN）。具体而言，我们通过设计参数的可预测性来估计其鲁棒性，可预测性由前向神经网络的预测误差度量。我们还定义了样本级权重，可用于基于 cINN 的逆模型的最大加权似然估计。借助实验的视觉结果，我们清晰地阐明了 RID-Noise 如何通过从数据中学习分布与鲁棒性来工作。在若干含噪声的真实基准任务上的进一步实验证实，我们的方法比其他最先进的逆设计方法更有效。代码与补充材料公开于 https://github.com/ThyrixYang/rid-noise-aaai22
引用
@article{arxiv.2112.03912,
title = {RID-Noise: Towards Robust Inverse Design under Noisy Environments},
author = {Jia-Qi Yang and Ke-Bin Fan and Hao Ma and De-Chuan Zhan},
journal= {arXiv preprint arXiv:2112.03912},
year = {2021}
}
备注
AAAI'22