CoNN-AL数据高效逆向设计框架发布

Agung Nugraha等作者提出CoNN-AL框架，将流式主动学习与带有去噪自编码器的协作神经网络（CoNN-DAE）结合，用于汽车玻璃导槽的数据高效部分逆向设计，并借助Monte Carlo dropout估计预测不确定性，实时筛选值得标注的候选样本。作者称，仅用20,000个主动选取的标签（约占训练池的2.3%），CoNN-AL在所有缺失变量层级上的R²值达到0.967至0.982。 作者随该研究公开了所用数据集，以支持后续数据驱动设计研究。上述效果均为作者在论文中的报告，尚未经独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。