English(EN) Stream-Based Active Learning with Cooperative Neural Networks for Data-Efficient Partial Inverse Design: An Automotive Glass Run Channel Case Study

新框架提高了工程逆向设计中的数据效率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-08 04:00

研究人员开发了一个名为 CoNN-AL 的新框架，以解决工程逆向设计问题中数据采集成本高昂的问题。该框架将流式主动学习与带有去噪自动编码器的协同神经网络 (CoNN-DAE) 相结合，以有效地选择最具信息量的样本进行标记。在大型汽车玻璃导槽数据集上进行测试，CoNN-AL 使用的标签数量远少于随机抽样，就达到了很高的 R 方值，证明了其在数据高效设计方面的有效性。 AI

影响该框架可以显著降低数据密集型工程设计过程的成本和所需时间。

排序理由学术论文，详细介绍了新的机器学习框架及其应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 7 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了新的机器学习框架及其应用。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Agung Nugraha, Hyerin Kwon, Heungjun Im, Gian Antariksa, Jihwan Lee · 2026-10-08 04:00

面向数据高效的偏逆向设计，基于流的主动学习与协同神经网络：以汽车玻璃导槽案例研究为例

arXiv:2610.09848v1 Announce Type: new Abstract: Inverse design in engineering often runs into a simple problem. Each labeled training sample must be produced through expensive simulation, so building a large dataset is slow and costly. This study addresses that problem for partia…

本文如何被排名

报道来源 [1]

面向数据高效的偏逆向设计，基于流的主动学习与协同神经网络：以汽车玻璃导槽案例研究为例

相关实体

相关话题