利用深度学习生成模型分析微流控器中的液滴聚合
摘要：化学工程学中，基于工艺参数预测液滴凝聚是实验设计的关键。然而，预测模型可能因为训练数据的缺乏，更重要的是标签不平衡问题而表现不佳。在这项研究中，我们提出使用深度学习生成模型通过训练预测模型使用生成的合成数据来解决这个瓶颈。我们提出了一种名为双空间条件变分自编码器（DSCVAE）的新型生成模型，用于标记的表格数据。通过在潜变量和原始空间引入标签约束，DSCVAE能够生成与标准条件变分自编码器（CVAE）相比具有一致性和真实性的样本。两个预测模型，即随机森林和梯度提升分类器，在合成数据上得到了改进，并在真实实验数据上进行了评估。数值结果表明，使用合成数据可以显著提高预测准确性，并且所提出的DSCVAE明显优于标准CVAE。本研究为处理分类问题中的数据不平衡问题，特别是在化学工程领域，提供了更多的见解。
作者：Kewei Zhu, Sibo Cheng, Nina Kovalchuk, Mark Simmons, Yi-Ke Guo, Omar K. Matar, Rossella Arcucci
论文ID：2305.00261
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-05-02