机构名称：
¥ 1.0
摘要。在化学过程工程中，模拟数据的准确性和现实主义对于有效设计和优化广泛的过程至关重要。在本文中，我们演示了神经风格转移方法的功效，以增强模拟产生的时间序列数据的现实性。具体来说，这种机器学习技术使我们能够学习从现实世界化学植物获得的非并行实验数据的样式特征，然后使用它们将模拟数据转换为更紧密地反映了模拟模型未捕获的现实行为和变化。我们提出了一个基于变压器的体系结构，其潜在表示可以纠缠于内容和样式信息。训练后，基础生成模型允许快速和数据有效的风格化生成，而无需每个样本的基于梯度的优化进行许多迭代，就像其他时间序列样式传输基线一样。我们在合成数据和批处理蒸馏的应用中显示了方法的效率。
在批处理蒸馏模拟中增强现实主义
主要关键词
相关文件推荐
