TMoE-P：面向多变量软测量器的帕累托最优
人工智能
2023-02-22 v1 应用统计
摘要
多变量软测量利用可测过程变量对多个质量变量进行精确估计，已成为提升工业制造质量的关键因素。当前进展停留在多任务网络架构的一些直接应用上；然而，这些方法仍有两方面基本问题有待研究：(1) 负迁移，即尽管不同目标所需的判别表示存在差异，共享表示仍会降低性能；(2) 跷跷板现象，即优化器以牺牲其他目标为代价聚焦于某一主导且简单的目标。在本研究中，我们将多变量软测量重新表述为一个多目标问题，以同时解决这两个问题并推进最先进水平。为处理负迁移问题，我们首先提出目标感知专家混合（OMoE）模块，利用目标特定与目标共享专家进行参数共享，同时保持目标间的区分度。为解决跷跷板现象，我们进而提出帕累托目标路由（POR）模块，动态调节学习目标权重以实现帕累托最优，并具有坚实的理论支撑。我们进一步提出任务感知专家混合框架以实现多变量软测量中的帕累托最优（TMoE-P），其由堆叠的 OMoE 模块与 POR 模块构成。我们在一个公开软测量基准上验证了 TMoE-P 的有效性，其中 TMoE-P 有效缓解了负迁移与跷跷板问题，并优于基线模型。
引用
@article{arxiv.2302.10477,
title = {TMoE-P: Towards the Pareto Optimum for Multivariate Soft Sensors},
author = {Licheng Pan and Hao Wang and Zhichao Chen and Yuxing Huang and Xinggao Liu},
journal= {arXiv preprint arXiv:2302.10477},
year = {2023}
}
备注
13 pages,14 figures