测试时数据增强：改进混合材料循环神经网络模型的预测
计算工程、金融与科学
2024-09-05 v1
摘要
循环神经网络 (RNN) 作为非线性路径依赖材料建模方法的有趣替代方案日益流行，尤其是相对于计算同质化方法等经典方法，RNN 在计算效率上实现了显著提升。然而，RNN 的预测误差会累积，导致在预测时间序列数据中的时序依赖性时出现问题。本研究旨在消除和缓解循环神经网络在预测短纤维增强复合材料路径依赖塑性变形时所产生的误差。我们提出了一种测试时数据增强 (Test Time data Augmentation, TTA) 方法，据称此方法在 RNN 语境下尚未被测试过。该方法通过对输入测试数据进行随机旋转来进行数据增强，然后对预测输出信号进行逆旋转。通过聚合逆旋转后的预测结果，可获得比单个预测更准确的预测结果。我们的分析还表明，该方法在预测与目标伪时序信号的形状一致性方面具有改进。此外，该方法提供了不确定性估计，这与绝对预测误差相关。TTA 方法能够通过不同的随机生成数据增强实现可重复，这为优化深度学习模型的预测提供了一条有前景的框架。我们认为，该提出方法在各领域均具有更广泛的意义，这些领域都依赖于准确的数据驱动建模。
引用
@article{arxiv.2409.02478,
title = {Test-time data augmentation: improving predictions of recurrent neural network models of composites},
author = {Petter Uvdal and Mohsen Mirkhalaf},
journal= {arXiv preprint arXiv:2409.02478},
year = {2024}
}