CoNN-AL：流式主动学习实现数据高效部分逆向设计

Agung Nugraha等作者提出CoNN-AL框架，在协作神经网络CoNN-DAE上加入流式主动学习，用Monte Carlo dropout估计预测不确定性，实时筛选值得标注的候选样本，用于汽车玻璃导槽的部分逆向设计。 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在所有缺失变量水平上达到0.967至0.982的R-squared，接近用远更多数据训练的上界模型；在较难的缺失变量水平上，比随机采样少用30%至40%的标签即可达到至少0.95的R-squared，在最难水平上是该研究中唯一达到0.98的策略。作者同时公开了数据集。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。