CoNN-AL 用流式主动学习在汽车玻璃导槽设计中以约2.3%标注量达到 R² 0.967–0.982
核心概要
该研究提出 CoNN-AL，将流式主动学习与带去噪自编码器的协作神经网络（CoNN-DAE）结合，用蒙特卡洛 dropout 估计预测不确定性，实时决定哪些候选样本值得标注，从而在部分逆向设计中实现数据高效学习；在超过 90 万个仿真设计的汽车玻璃导槽数据集上，仅用 20,000 个主动选取的标签（约训练池的 2.3%）即在全缺失变量水平上取得 R² 0.967–0.982，接近用远多数据训练的上界模型，并在较难水平上比随机采样少用 30–40% 标签达到 R² 不低于 0.95。
深度剖析
CoNN-AL 把流式主动学习叠加到 CoNN-DAE 上，用蒙特卡洛 dropout 的预测不确定性实时筛选进入标注的候选样本，使有限标注预算投向信息量最大的设计。 此前部分逆向设计依赖大规模仿真标注数据；该框架把标注决策嵌入数据流，而非先建库后训练。 在真实汽车玻璃导槽数据集（超过 900,000 个唯一仿真设计）上验证，属于真实工程场景的实证评估。
仅用 20,000 个主动选取标签（约训练池 2.3%），CoNN-AL 在所有缺失变量水平上达到 R² 0.967–0.982，接近用远多数据训练的上界模型。 说明在极小标注比例下即可逼近高数据量基线，而非仅在小规模或合成任务上成立。 报告了跨全部缺失变量水平的 R² 区间，并与上界模型对照。
在较难的缺失变量水平上，CoNN-AL 比随机采样少用 30–40% 标签即可达到 R² 不低于 0.95；在最难水平上，它是本研究中唯一达到 R² 0.98 的策略。 把主动学习的收益定位在难度更高的部分逆向设计区间，并给出与随机采样的直接对照。 以随机采样为对照，报告标签节省比例与最难水平上的唯一达标结果。
作者随论文公开释放该汽车玻璃导槽数据集，以支持后续数据驱动设计研究。 为部分逆向设计与主动学习研究提供可复用的真实工程数据资源。 数据集规模超过 900,000 个唯一仿真设计，来源为真实汽车玻璃导槽场景。
启示与展望
该结果面向标注需通过昂贵仿真获得的部分逆向设计场景，适用于只有部分设计变量被指定、其余需推断以达到目标性能值的问题设定。其验证范围是汽车玻璃导槽这一真实工程案例，数据集包含超过 900,000 个唯一仿真设计；公开释放的数据集可供后续数据驱动设计研究复用。对希望以有限标注预算训练代理模型的工程团队，该框架提供了把标注决策前移到数据流中的可操作路径。
读者仍需关注：该框架在其它工程逆向设计问题上的表现尚未在本文中检验；蒙特卡洛 dropout 的不确定性估计在不同模型与数据分布下的稳定性有待进一步观察；标签节省比例与 R² 结果均来自本研究的单一案例与设定。本文为摘要级材料，未包含图表与完整实验细节，因此对训练配置、超参数与统计波动的具体信息无法在此判断。