面向金属增材制造中迁移学习的源数据子集选择方法

考虑到金属增材制造（AM）中的数据不足问题，迁移学习（TL）已被采用以从源域（例如已完成的打印任务）提取知识，从而改善目标域（例如新的打印任务）中的建模性能。当前的应用在TL中直接使用所有可访问的源数据，而不考虑源数据与目标数据之间的相似性。本文提出了一种系统性方法，针对给定的有限目标域数据，基于源数据集与目标数据集之间的相似性来寻找合适的源数据子集。这种相似性通过空间距离度量和模型距离度量来表征。我们开发了一种基于帕累托前沿的源数据选择方法，其中位于由两个相似性距离度量定义的帕累托前沿上的源数据被迭代选择。该方法被集成到一种基于实例的TL方法（决策树回归模型）和一种基于模型的TL方法（微调的人工神经网络）中。随后，两种模型均在金属AM中的若干回归任务上进行了测试。比较结果表明：1）该源数据选择方法具有通用性，支持与各种TL方法和距离度量集成；2）与使用所有源数据相比，所提出的方法能从同一域中找到一个较小的源数据子集，在涉及不同工艺和机器的金属AM回归任务中取得更好的TL性能；3）当存在多个源域时，该源数据选择方法能从一个源域中找到子集，获得与使用所有源域数据构建的模型相当或更好的TL性能。