机器学习模型能够在有限的训练数据下产生可靠的结果

机器学习模型在有限训练数据下产生可靠结果

.fav_bar { 浮动:左;边框:1像素实线#a7b1b5;上边距:10像素;下边距:20像素; } .fav_bar span.fav_bar-label { 文字对齐:中心;填充:8像素0像素0像素0像素;浮动:左;左边距:-1像素;右边框:1像素虚线#a7b1b5;左边框:1像素实线#a7b1b5;显示:块;宽度:69像素;高度:24像素;颜色:#6e7476;字重:粗体;字号:12像素;文本转换:大写;字体:Arial, Helvetica, sans-serif; } .fav_bar a, #plus-one { 浮动:左;右边框:1像素虚线#a7b1b5;显示:块;宽度:36像素;高度:32像素;文字缩进:-9999像素; } .fav_bar a.fav_print { 背景:url(‘/images/icons/print.gif’) 不重复0像素0像素#FFF; } .fav_bar a.fav_print:hover { 背景:url(‘/images/icons/print.gif’) 不重复0像素0像素#e6e9ea; } .fav_bar a.mobile-apps { 背景:url(‘/images/icons/generic.gif’) 不重复13像素7像素#FFF;背景大小:10像素; } .fav_bar a.mobile-apps:hover { 背景:url(‘/images/icons/generic.gif’) 不重复13像素7像素#e6e9ea;背景大小:10像素} .fav_bar a.fav_de { 背景: url(/images/icons/de.gif) 不重复0 0 #fff } .fav_bar a.fav_de:hover { 背景: url(/images/icons/de.gif) 不重复0 0 #e6e9ea } .fav_bar a.fav_acm_digital { 背景:url(‘/images/icons/acm_digital_library.gif’) 不重复0像素0像素#FFF; } .fav_bar a.fav_acm_digital:hover { 背景:url(‘/images/icons/acm_digital_library.gif’) 不重复0像素0像素#e6e9ea; } .fav_bar a.fav_pdf { 背景:url(‘/images/icons/pdf.gif’) 不重复0像素0像素#FFF; } .fav_bar a.fav_pdf:hover { 背景:url(‘/images/icons/pdf.gif’) 不重复0像素0像素#e6e9ea; } .fav_bar a.fav_more .at-icon-wrapper{ 高度:33像素!重要; 宽度:35像素!重要; 填充:0!重要; 右边框:无!重要; } .a2a_kit { 行高:24像素!重要; 宽度:unset!重要; 高度:unset!重要; 填充:0!重要; 右边框:unset!重要; 左边框:unset!重要; } .fav_bar .a2a_kit a .a2a_svg { 左边距:7像素; 上边距:4像素; 填充:unset!重要; }

研究人员发现,模拟扩散的PDE具有对设计AI模型有用的结构。 ¶ 信用:Getty Images

英国剑桥大学和康奈尔大学的研究人员证明,即使在有限的训练数据下,机器学习模型也能生成可靠的结果。

研究人员专注于偏微分方程(PDEs),这被认为是物理学的基本构建模块。

剑桥大学的Nicolas Boullé解释道:“通过使用简单的模型,您可能能够将一些已知的物理学知识强制加入到训练数据集中,以获得更好的准确性和性能。”

在开发一种算法来预测在不同条件下PDEs的解的过程中,研究人员利用了PDEs的短程和长程相互作用,将数学保证构建到模型中,并计算了保证可靠性所需的训练数据量。

Boullé表示:“令人惊讶的是,你需要多少数据才能得到可靠的模型。由于这些方程的数学特性,我们可以利用它们的结构使模型更加高效。”来自剑桥大学(英国)查看完整文章

摘要版权所有©2023 SmithBucklin,华盛顿特区,美国