松紧程度更大,预测更好: 基于概率潜变量模型的软传感器的近端松弛
机器学习
2026-03-17 v2 系统与控制
系统与控制
最优化与控制
摘要
非线性概率潜变量模型(NPLVM)是软传感器建模的基石,其能够实现不确定性划分。然而,常规NPLVM使用 amortized变分推断进行训练,其中神经网络参数化变分后验。虽然便于模型实现,但这种参数化将无限维函数空间内的分布优化问题转化为有限维参数空间内的参数优化,从而引入近似误差间隙,导致软传感器建模精度下降。为缓解此问题,我们引入KProxNPLVM，这是一种新的NPLVM,其核心是松弛目标本身以提升NPLVM性能。具体而言,我们首先证明常规方法导致的近似误差。基于此,我们设计Wasserstein距离作为近端算子以松弛学习目标,从而得到基于求解该松弛优化问题的变分推断策略。基于此基础,我们对KProxNPLVM的优化实现进行严格推导,证明本算法的收敛性最终可规避近似误差,并提出KProxNPLVM。最后,在合成数据和真实工业数据集上进行大量实验,以演示所提出KProxNPLVM的有效性。
关键词
引用
@article{arxiv.2603.11473,
title = {Slack More, Predict Better: Proximal Relaxation for Probabilistic Latent Variable Model-based Soft Sensors},
author = {Zehua Zou and Yiran Ma and Yulong Zhang and Zhengnan Li and Zeyu Yang and Jinhao Xie and Xiaoyu Jiang and Zhichao Chen},
journal= {arXiv preprint arXiv:2603.11473},
year = {2026}
}
备注
This paper has been provisionally accepted for publication in the "IEEE Transactions on Industrial Informatics"