基于半监督自编码器的软测量仪开发在线主动学习
机器学习
2023-04-11 v3 机器学习
摘要
数据驱动的软测量仪广泛用于工业与化学过程，以预测难以测量的过程变量，其真实值在常规运行中难以追踪。这些传感器所用的回归模型常需要大量带标签样本，然而由于质量检验所需的高时间与成本，获取标签信息可能非常昂贵。在此背景下，主动学习方法大有裨益，因其可建议查询最具信息量的标签。然而，大多数针对回归提出的主动学习策略聚焦于离线设定。本工作中，我们将其中部分方法适配至基于流的场景，并展示其如何用于选择最具信息量的数据点。我们还演示了如何基于正交自编码器的半监督架构在低维空间中学习显著特征。使用 Tennessee Eastman Process 比较所提方法的预测性能。
引用
@article{arxiv.2212.13067,
title = {Online Active Learning for Soft Sensor Development using Semi-Supervised Autoencoders},
author = {Davide Cacciarelli and Murat Kulahci and John Tyssedal},
journal= {arXiv preprint arXiv:2212.13067},
year = {2023}
}
备注
ICML 2022 Workshop on Adaptive Experimental Design and Active Learning in the Real World