CoNN-AL框架用主动学习实现数据高效部分逆向设计
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把标注预算花在刀刃上
工程逆设计长期受制于一个现实：每一条带标签的训练样本都要靠昂贵的仿真跑出来，样本规模一大，时间和算力开销就迅速累积。这项研究针对的是部分逆设计场景，即设计变量中只有一部分被给定，其余变量需要反推，才能让整体性能落到目标值上。作者提出的 CoNN-AL 框架在原有的协作神经网络加去噪自编码器结构之上，引入基于流的主动学习。模型借助蒙特卡洛 dropout 估计预测不确定性，并据此实时判断新到达的候选样本是否值得标注，从而把有限的标注额度优先分配给信息量更大的设计。这样做的直接效果是，标注不再是均匀撒网，而是跟着模型当前的知识盲区走。
两万条标签的实测表现
验证所用的数据集来自真实的汽车玻璃导槽设计，包含超过九十万个互不相同的仿真方案。在只主动挑选两万条标注、约占训练池百分之二点三的条件下，CoNN-AL 在所有缺失变量层级上都取得了零点九六七到零点九八二的 R 平方值，接近那些用远多数据训练出来的上界模型。在缺失变量较多、难度更高的层级上，它比随机采样少用三成到四成的标签就能达到至少零点九五的 R 平方；而在最难的那一档，它是本研究中唯一把 R 平方做到零点九八的策略。这些数字说明，标注效率的提升并非只在简单场景成立，难度上升时优势反而更明显。
与随机采样的路线差异
与常见的随机采样相比，两者的差别不在于模型结构，而在于每一条新样本被送进训练集之前是否经过筛选。随机采样把标注预算平摊到候选池上，遇到难例时容易把额度消耗在重复或低信息量的设计上；CoNN-AL 则用不确定性作为筛选依据，让模型自己决定下一步该看什么。这种基于流的设定意味着候选样本是陆续到达的，决策必须在线完成，而不是先攒齐一批再统一挑选。需要留意的是，该框架面向的是部分逆设计，也就是存在缺失变量需要推断的情形；其效果也依赖蒙特卡洛 dropout 给出的不确定性估计是否可靠，且验证集中在汽车玻璃导槽这一具体案例上。
数据集开放带来的影响
作者随论文一并公开了这套汽车玻璃导槽数据集，用于支持后续的数据驱动设计研究。对从事工程逆设计的人来说，这意味着可以在同一份真实仿真数据上复现结果、比较不同主动学习策略，而不必各自从零搭建昂贵的仿真流程。九十万量级的候选设计加上明确的目标性能与缺失变量设定，也为检验标注效率提供了可对照的基准。论文共二十一页，含十二幅图和三个表格，编号为 arXiv:2610.09848，属于机器学习与人工智能方向。
为什么值得看
展示主动学习如何把昂贵仿真标注成本压到2.3%，并公开90万级工程数据集，对数据高效设计有参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。