概括
本研究介绍了使用最大信息系数 (MIC) 的深度学习模型的自动化结构学习. 这种方法增强了数据驱动的分析,并在动态的工业环境中改善了在线预测.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 深度学习模型结合了高斯式和非高斯式潜在变量,但缺乏自动化结构学习.
- 这种局限性阻碍了复杂环境中的数据驱动自动化建模和分析.
研究的目的:
- 为深潜变量模型开发自动结构学习算法.
- 为了增强数据驱动的建模和分析在时间变化的工业生产.
主要方法:
- 引入了最大信息系数 (MIC) 来测量潜在变量关联.
- 定义了一个评估指数,用于在模型训练过程中自动确定隐藏层.
- 通过评估添加新的隐藏层来评估模型结构的必要性.
主要成果:
- 提出的结构学习算法是可行的和有效的.
- 自动化数据分析显著改善了在线预测性能.
- 在两个现实世界的工业实例中证明了成功.
结论:
- 自动化结构学习解决了深潜变量模型中的关键差距.
- 开发的方案提高了动态工业过程中的效率和预测准确性.
