Meta-models for transfer learning in source localisation

要約

実際には、非破壊検査 (NDT) 手順では、実験 (およびそれぞれのモデル) を別個のものとして扱い、単独で実施し、独立したデータに関連付けるものとみなす傾向があります。
対照的に、この研究では、アコースティック エミッション (AE) 実験間の相互依存性を (メタモデルとして) 捕捉し、その結果得られた関数を使用して、これまで観測されていなかったシステムのモデルのハイパーパラメーターを予測することを目的としています。
私たちは、より高いレベルのメタモデルがタスク間の関係を捉えるベイジアン マルチレベル アプローチ (ディープ ガウス プロセスと同様) を利用します。
私たちの主な貢献は、実験的キャンペーンの知識をタスク内だけでなくタスク間でどのようにエンコードできるかということです。
ソース位置特定のための AE 到着時刻マッピングの例を示し、マルチレベル モデルがエンジニアリングにおける集合システムの表現にどのように自然に適しているかを説明します。
ドメイン知識に基づいてメタモデルを制約し、転移学習にタスク間関数を使用して、これまで観察されていない実験のモデル (特定の設計の) のハイパーパラメーターを予測します。

要約(オリジナル)

In practice, non-destructive testing (NDT) procedures tend to consider experiments (and their respective models) as distinct, conducted in isolation and associated with independent data. In contrast, this work looks to capture the interdependencies between acoustic emission (AE) experiments (as meta-models) and then use the resulting functions to predict the model hyperparameters for previously unobserved systems. We utilise a Bayesian multilevel approach (similar to deep Gaussian Processes) where a higher level meta-model captures the inter-task relationships. Our key contribution is how knowledge of the experimental campaign can be encoded between tasks as well as within tasks. We present an example of AE time-of-arrival mapping for source localisation, to illustrate how multilevel models naturally lend themselves to representing aggregate systems in engineering. We constrain the meta-model based on domain knowledge, then use the inter-task functions for transfer learning, predicting hyperparameters for models of previously unobserved experiments (for a specific design).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google