Transfer learning strategies for neural networks: A case study in amine gas treating units
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This work presents a framework where strategies are applied within a workflow created to enhance the accuracy and transferability of the transfer learning process. We used a case study for predicting corrosion rates in gas-treating units, employing datasets from two different amines (A and B), where the amine A dataset is large compared to the amine B dataset. In the first neural network-based strategy, the inlet to hidden layer weights and biases are frozen after being trained with dataset A, while the ones from the hidden layer to the end response are freed. The freed weights and biases are then estimated via optimization. A set of X% of the amine B dataset values is added to the amine dataset A, and the neural network is then refitted, showing an increment in accuracy as more data from amine B is added. In the second neural network-based strategy, fine-tuning was used through a loss cross-entropy function in addition to' freezing' layers. Moreover, we compared our approach against Transfer-LASSO, an approach based on LASSO regression that looks at reducing model complexity while adding sparsity via regularization. Metrics of accuracy and transferability are introduced to evaluate class imbalance, computational time, and the effect of outliers. Our findings serve as a set of considerations when selecting transfer learning approaches in engineering problems. • Framework/workflow to enhance accuracy and transferability of the transfer learning process. • A comparison analysis between neural network-based transfer learning and Transfer-LASSO was performed. • Findings serve as a set of considerations when selecting transfer learning approaches in engineering.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle