Un usuario comparte su experiencia con el costo computacional de generar conjuntos de datos de entrenamiento a partir de simulaciones físicas, como flujo de fluidos y campos estructurales. Destaca que el desafío principal no es la arquitectura del modelo, sino la dificultad de construir un conjunto de datos grande y diverso cuando cada muestra es costosa de producir.
La publicación busca opiniones de la comunidad sobre varios aspectos clave de la gestión de datos de simulación:
- Estrategias de muestreo para casos costosos, incluyendo hipercubo latino, aprendizaje activo y muestreo adaptativo.
- Formatos de representación de datos para datos de campos en mallas o cuadrículas, como nubes de puntos, cuadrículas de voxels, grafos o arreglos uniformes remuestreados.
- Técnicas de aumento como simetría, rotación y superposición, y su potencial para romper la física subyacente.
- El uso del propio modelo en aprendizaje activo para decidir qué nuevas muestras costosas generar a continuación.
El autor está especialmente interesado en experiencias reales que aborden el régimen de "pocas muestras costosas" en lugar de los supuestos estándar de big data.