第51卷第2期2023年2月硅酸盐学报Vol.51，No.2February，2023JOURNALOFTHECHINESECERAMICSOCIETYhttp://www.gxyb.cbpt.cnki.netDOI：10.14062/j.issn.0454-5648.20220811多保真度数据学习算法的定量噪声评价刘晓彤1,2，王滋明2，欧阳嘉华3，杨涛1,2(1.北京信息科技大学，北京市材料基因工程高精尖创新中心，北京100101；2.北京信息科技大学计算机学院，北京100101；3.暨南大学信息科学技术学院，广州511442)摘要：多保真度数据是当前材料领域数据的主要存在形式。在数据生产端，不同量化方法在材料同种属性的计算上存在较大差距。对于数据消费端的机器学习算法，研究人员为最大化提取数据中知识设计了各种方法。采用定量噪声添加的方法，评价不同噪声强度、类型对不同多保真度数据学习方法的影响，通过迭代降噪验证数据修正方法的适用场景。结果表明：多保真度数据的利用方式至关重要，需对各子数据集中数据量及含噪情况进行综合考量。在使用不同噪声类型与强度构造出的多种数据集上，得益于数据间的协同效应，逐步删除低保真度数据的―Onion”训练方式明显优于按数据集所含噪声减小方向逐个进行的训练方式。在多保真度数据训练中，无论何种噪声强度及训练方式，线性噪声对模型的影响更小。对于采样噪声来说，在各环节更好地模拟了真实多保真度数据，建议被后续研究采用。此外，复杂噪声难以让少量真值数据发挥―纠偏”作用，更适合进行迭代降噪处理。关键词：多保真度；属性预测；机器学习；定量噪声中图分类号：TP181文献标志码：A文章编号：0454–5648(2023)02–0405–06网络出版时间：2023–01–17AQuantitativeNoiseMethodtoEvaluateMachineLearningAlgorithmonMulti-FidelityDataLIUXiaotong1,2,WANGZiming2,OUYANGJiahua3,YANGTao1,2(1.BeijingAdvancedInnovationCenterforMaterialsGenomeEngineering,BeijingInformationScienceandTechnologyUniversity,Beijing100101,China;2.SchoolofComputer,BeijingInformationScienceandTechnologyUniversity,Beijing100101,China;3.SchoolofInformationScienceandTechnology,JinanUniversity,Guangzhou511442,China)Abstract:Mostdatainmaterialsciencearemulti-fidelitydata.Fromtheviewpointofdataproducer,thereisasystemerrorforanyquantummethod.Formachinelearningalgorithm,asadataconsumer,variousmethodshavebeendesignedtomaximizethenumberofknowledgesextractedfromthemulti-fidelitydata...
