面向非单射回归的循环一致性约束框架用于动态解空间缩减
机器学习
2025-10-20 v2
摘要
为解决多输出模型对预设概率分布和嵌入式先验知识的强烈依赖问题，本文提出一种基于循环一致性的数据驱动训练框架。该方法联合优化前向模型 Φ: X → Y 和后向模型 Ψ: Y → X，其中循环一致性损失定义为 L_cycle = L(Y_reduce Φ(Ψ(Y)))（反之亦然）。通过最小化该损失，该框架建立了一个闭环机制，将生成和验证阶段集成在一起，无需手动规则设计或先验分布假设。实验在标准化的合成数据和模拟数据集上进行，结果显示，所提方法的循环重构误差低于0.003，在评估指标上相较于无循环一致性的基线模型实现了约30%的提升。此外，该框架支持无监督学习，显著减少了对人工干预的依赖，展示了在非单射回归任务中潜在的优势。
引用
@article{arxiv.2507.04659,
title = {A Cycle-Consistency Constrained Framework for Dynamic Solution Space Reduction in Noninjective Regression},
author = {Hanzhang Jia and Yi Gao},
journal= {arXiv preprint arXiv:2507.04659},
year = {2025}
}