CoNN-AL以少量标注推进汽车玻璃逆向设计

Agung Nugraha等作者提出并验证了CoNN-AL，将流式主动学习加入CoNN-DAE，用Monte Carlo dropout估计预测不确定性并筛选候选样本。在超过90万个汽车玻璃流道模拟设计构成的数据集上，框架用2万个主动选择标签（约占训练池2.3%）完成部分逆向设计，各缺失变量水平的R²为0.967—0.982；在较难的缺失变量水平上，以比随机采样少30%—40%的标签达到至少0.95的R²。 该结果限于所测试的汽车玻璃流道模拟数据；论文摘要还称研究团队同步公开了该数据集。

AI 根据报道生成 · 44 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。