A Hierarchical Interaction-Aware Framework for Sample-Efficient Surrogate Modeling

Hae Soo Eun

doi:10.1109/tii.2026.3737080

A Hierarchical Interaction-Aware Framework for Sample-Efficient Surrogate Modeling

2026-10-14

0

PRE

AI

DOI：10.1109/tii.2026.3737080

原文链接

原文求助

摘要

En 中文

本文提出了一种分层、交互感知的数据生成框架，通过根据设计变量的物理重要性及其交互作用优先级来提高代理模型训练的样本效率。代理模型的性能高度依赖于训练数据的质量，而工程系统通常能提供关于设计变量相对重要性的先验知识。所提出的框架利用这些知识对数据生成进行分层组织，使神经网络能够在学习早期识别主导变量和交互结构。通过直接在训练数据中揭示具有物理意义的结构，该框架降低了初始特征发现对网络架构的依赖。在感应线圈设计问题的实验中表明，所提出的方法显著提高了样本效率。相比之下，传统随机采样需要约70%的可用数据才能达到超过90%的预测精度，而所提出的框架仅使用30%的数据即可达到相当精度。此外，4层MLP与17层ResNet之间的性能差距显著缩小，表明所提出的采样策略缓解了特征发现过程中的架构依赖。这些结果表明，将物理交互层次结构融入数据生成可以在数据有限的情况下改善代理模型学习。

Keyword:

Data sampling

digital twin

interaction hierarchy

neural networks (NNs)

sample efficiency

surrogate modeling

A Hierarchical Interaction-Aware Framework for Sample-Efficient Surrogate Modeling

摘要

期刊

机构

引用论文