Loading...
机构名称:
¥ 2.0

机器学习方法在科学过程中可能是有价值的帮助,但是他们需要面对来自非均匀实验条件的数据的具有挑战性的环境。最近,元学习方法在多任务学习方面取得了重大进展,但它们依靠黑盒神经网络,占据高计算成本和有限的解释性。利用学习问题的结构,我们认为可以使用更简单的学习模型,并具有以学习任务为例,可以使用更简单的学习模型来实现多环境的概括。至关重要的是,我们证明该体系结构可以识别系统的物理参数,从而实现可解释的学习。我们通过将其与物理系统上的最新算法进行比较,降低了我们方法的竞争性概括性能和低计算成本,从玩具模型到复杂的,非分析系统。我们的方法的解释性用原始应用在物理参数诱导的适应性和自适应控制中进行了说明。

物理系统的可解释的元学习

物理系统的可解释的元学习PDF文件第1页

物理系统的可解释的元学习PDF文件第2页

物理系统的可解释的元学习PDF文件第3页

物理系统的可解释的元学习PDF文件第4页

物理系统的可解释的元学习PDF文件第5页