用于回归的半监督变分自编码器：在软测量中的应用
机器学习
2022-12-12 v3
摘要
我们提出了一种基于变分自编码器（VAE）的半监督回归方法，专为软测量应用定制。考虑到过程质量变量与其他过程变量的采集频率不同，导致运行数据集中存在大量无标签记录，我们阐明了采用半监督学习的动机。这些无标签记录无法用于基于监督学习方法训练质量变量预测。VAE用于无监督学习已得到充分确立，近来它们基于变分推断流程被用于回归应用。我们将这种监督式VAE回归（SVAER）方法扩展为可从无标签数据学习，从而得到半监督VAE回归（SSVAER），随后我们进一步利用额外的正则化组件修改其架构，使SSVAER非常适合于从有标签和无标签过程数据中学习。变分方法得到的概率回归器可同时估计预测的方差，从而在生成预测的同时提供不确定性量化。我们在两个基准问题上使用固定规模数据集，改变可用于训练的标签数据比例，对SSVAER与其他公开可用的半监督和监督学习方法进行了广泛的对比研究。在这些实验中，SSVAER在20个研究案例中的11个取得了最低测试误差，而其他方法中表现次佳的仅在20个中取得4个最低测试误差。
引用
@article{arxiv.2211.05979,
title = {Semi-supervised Variational Autoencoder for Regression: Application on Soft Sensors},
author = {Yilin Zhuang and Zhuobin Zhou and Burak Alakent and Mehmet Mercangöz},
journal= {arXiv preprint arXiv:2211.05979},
year = {2022}
}