不确定性引导集成自训练用于半监督全局场重建
机器学习
2023-02-24 v1 人工智能
摘要
从有限传感器恢复全局精确的复杂物理场对航空航天工程的测量与控制至关重要。恢复该场的通用重建方法，尤其是具有更多参数和更强表征能力的深度学习，通常需要大量标注数据，而这难以负担。为解决该问题，本文提出不确定性引导集成自训练（UGE-ST），利用丰富的无标注数据提升重建性能。首先提出一种新颖的自训练框架，设计集成教师与预训练学生以提高伪标签准确性并补救噪声影响。另一方面，提出不确定性引导学习，鼓励模型聚焦于伪标签中高置信度区域，缓解自训练中错误伪标注的影响，从而提升重建模型性能。实验包括翼型压力速度场重建与飞机系统温度场重建，表明我们的 UGE-ST 在相同精度下可节省多达 90% 的数据。
引用
@article{arxiv.2302.11940,
title = {Uncertainty Guided Ensemble Self-Training for Semi-Supervised Global Field Reconstruction},
author = {Yunyang Zhang and Zhiqiang Gong and Xiaoyu Zhao and Wen Yao},
journal= {arXiv preprint arXiv:2302.11940},
year = {2023}
}