逆设计，将设备或过程参数匹配以展示所需性能的过程，在许多学科中都应用，从化学过程的材料设计到工程。机器学习已成为一种有前途的方法，以克服参数空间和多模式参数分布的维度施加的当前局限性。大多数传统的优化例程都假设设计参数与目标性能之间可逆的一对一映射。但是，可以通过不同的设计来实现可比性甚至相同的性能，从而使可能的逆设计问题的多模式分布混淆了优化算法。在这里，我们展示了基于可逆神经网络的生成建模方法如何为逆设计问题提供可能的解决方案的完整分布，并解决具有多模态分布的纳米电视逆设计问题的歧义。我们实施了条件可逆的神经网络（CINN），并将其应用于原则纳米光子问题，包括定制由亚波长度凹痕铣削的金属膜的传输光谱。我们将方法与常用的条件变异自动编码器（CVAE）框架进行了比较，并在处理多模式设备分布时显示了提议的CINN的卓越灵活性和准确性。我们的工作表明，可逆的神经网络为纳米科学和纳米技术的逆设计提供了一个有价值且通用的工具包。
translated by 谷歌翻译
近年来，关于如何在公平限制下学习机器学习模型的越来越多的工作，通常在某些敏感属性方面表达。在这项工作中，我们考虑了对手对目标模型具有黑箱访问的设置，并表明对手可以利用有关该模型公平性的信息，以增强他对训练数据敏感属性的重建。更确切地说，我们提出了一种通用的重建校正方法，该方法将其作为对手进行的初始猜测，并纠正它以符合某些用户定义的约束（例如公平信息），同时最大程度地减少了对手猜测的变化。提出的方法对目标模型的类型，公平感知的学习方法以及对手的辅助知识不可知。为了评估我们的方法的适用性，我们对两种最先进的公平学习方法进行了彻底的实验评估，使用四个具有广泛公差的不同公平指标以及三个不同大小和敏感属性的数据集。实验结果证明了提出的方法改善训练集敏感属性的重建的有效性。
translated by 谷歌翻译