arXiv · cs.AI· Agung Nugraha·· 20 天前AI 评分12
CoNN-AL：基于流式主动学习与协作神经网络的数据高效部分逆向设计（汽车玻璃导槽案例研究）
Stream-Based Active Learning with Cooperative Neural Networks for Data-Efficient Partial Inverse Design: An Automotive Glass Run Channel Case Study
来源与原文
arXiv · cs.AI
作者：Agung Nugraha
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.09848v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
研究者提出 CoNN-AL 框架，在 CoNN-DAE 上加入流式主动学习，通过 Monte Carlo dropout 估计预测不确定性、实时筛选值得标注的候选样本，用于部分逆向设计。在超过 900,000 个模拟设计的汽车玻璃导槽数据集上，仅用 20,000 个主动选择的标注（约 2.3%）即在各缺失变量层级达到 0.967–0.982 的 R-squared；较随机采样少用 30–40% 标签即可达到 R-squared ≥ 0.95，且在最难层级是唯一达到 0.98 的策略。数据集已公开发布。
来源：arXiv · cs.AI · arxiv.org