Uncertainty Guided Ensemble Self-Training for Semi-Supervised Global Field Reconstruction

要約

限られたセンサーからグローバルに正確な複雑な物理フィールドを回復することは、航空宇宙工学における測定と制御にとって重要です。
フィールドを回復するための一般的な再構成方法、特により多くのパラメーターとより優れた表現能力を備えた深層学習は、通常、手頃な価格ではない大量のラベル付きデータを必要とします。
この問題を解決するために、この論文では、豊富なラベルなしデータを使用して再構成パフォーマンスを向上させる、不確実性ガイド付きアンサンブル自己トレーニング (UGE-ST) を提案します。
疑似ラベルの精度を向上させ、ノイズの影響を改善するように設計された、アンサンブル教師と事前訓練学生による新しい自己訓練フレームワークが最初に提案されます。
一方、不確実性に基づく学習は、モデルが疑似ラベルの信頼性の高い領域に焦点を当て、自己トレーニングでの誤った疑似ラベル付けの影響を軽減し、再構築モデルのパフォーマンスを向上させるように提案されています。
実験には、翼の圧力速度場の再構成と航空機システムの温度場の再構成が含まれており、UGE-ST が教師あり学習と同じ精度で最大 90% のデータを保存できることが示されています。

要約(オリジナル)

Recovering a globally accurate complex physics field from limited sensor is critical to the measurement and control in the aerospace engineering. General reconstruction methods for recovering the field, especially the deep learning with more parameters and better representational ability, usually require large amounts of labeled data which is unaffordable. To solve the problem, this paper proposes Uncertainty Guided Ensemble Self-Training (UGE-ST), using plentiful unlabeled data to improve reconstruction performance. A novel self-training framework with the ensemble teacher and pretraining student designed to improve the accuracy of the pseudo-label and remedy the impact of noise is first proposed. On the other hand, uncertainty-guided learning is proposed to encourage the model to focus on the highly confident regions of pseudo-labels and mitigate the effects of wrong pseudo-labeling in self-training, improving the performance of the reconstruction model. Experiments include the pressure velocity field reconstruction of airfoil and the temperature field reconstruction of aircraft system indicate that our UGE-ST can save up to 90% of the data with the same accuracy as supervised learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google