面向数据高效深度学习的模拟先验
机器学习
2025-09-09 v1 人工智能
摘要
我们如何才能让 AI 系统在真实世界中高效学习？一阶原理模型广泛用于模拟自然系统，但常因简化假设而未能捕捉真实世界的复杂性。相比之下，深度学习方法可以最小假设估计复杂动力学，但需要大量代表性数据。我们提出 SimPEL 方法，通过在贝叶斯深度学习中将低保真模拟器作为先验，有效地将一阶原理模型与数据驱动学习相结合。这使 SimPEL 能够在数据有限的情境下从模拟器知识中受益，同时在数据充足时发挥深度学习的灵活性，并且能够仔细量化表观不确定性。我们在生物、农业和机器人等多种领域对 SimPEL 进行评估，表明其在学习复杂动力学方面优于现有方法。对于决策，SimPEL 在基于模型的强化学习中桥接了仿真与现实的鸿沟。在高速 RC 小车任务中，SimPEL 能以远少于当前基准方法的数据，学习出包含漂移在内的高度动态停车机动。这些结果凸显了 SimPEL 在复杂真实环境中实现数据高效学习与控制的潜力。
引用
@article{arxiv.2509.05732,
title = {Simulation Priors for Data-Efficient Deep Learning},
author = {Lenart Treven and Bhavya Sukhija and Jonas Rothfuss and Stelian Coros and Florian Dörfler and Andreas Krause},
journal= {arXiv preprint arXiv:2509.05732},
year = {2025}
}