# CoNN-AL

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。

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。