Transfer learning strategies for neural networks: A case study in amine gas treating units
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».