混合流形网络：逆向建模的计算效率良好的基准线
摘要：解决通用逆问题的一种新方法的有效性。逆建模是一项任务，通过这项任务，人们可以确定自然系统的控制参数，以产生给定的观测测量结果。最近的研究显示，利用深度学习可以取得令人印象深刻的结果，但我们注意到在模型性能和计算时间之间存在一种权衡。对于一些应用程序来说，最佳逆建模方法在推断时的计算时间可能过于禁止其使用。我们提出了一种新方法，该方法利用多个流形作为正反馈模型结构中的混合反向（例如逆向）模型。这些多个逆向模型都共享一个公共的正向模型，并且通过从正向模型生成训练示例来减轻其训练。因此，所提出的方法具有两个创新点：1）多流形混合网络（MMN）架构；2）利用正向模型增强反向模型训练数据的训练过程。通过在四个基准逆问题上与几个基准线进行比较，我们展示了我们方法的优势，并进一步提供了分析来推动其设计。
作者：Gregory P. Spell, Simiao Ren, Leslie M. Collins, Jordan M. Malof
论文ID：2211.14366
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-15