跳到主要内容

# 蒙特卡洛Dropout

2 篇关联报道

arXiv 2026年10月12日
荒漠化预测能信到哪一步：塞阿拉24年遥感记录显示，区域趋势可报，2.2公里地块的逐年变化几乎不可预测
在巴西半干旱的塞阿拉州，一项基于2000—2023年十种对地观测变量的研究把荒漠化预测的可预测上限量了出来：全州平均退化指数以每年约0.005的速度上升，但2.2公里网格上逐年的变化大部分无法由这些卫星数据解释，一个使用全部通道的梯度提升模型也只解释了其中4.7%的方差。研究用残差卷积LSTM只预测相对上一年的变化，在留出的南部条带上把一年期均方根误差相对持续性基线降低1.6%，四年期降低4.4%，并复现了53%—69%的区域漂移。结论是这类预测对区域趋势可靠，对单个网格不可靠。
在巴西半干旱的塞阿拉州，一项基于2000—2023年十种对地观测变量的研究把荒漠化预测的可预测上限量了出来：全州平均退化指数以每年约0.005的速度上升，但2.2公里网格上逐年的变化大部分无法由这些卫星数据解释，一个使用全部通道的梯度提升模型也只解释了其中4.7%的方差。研究用残差卷积LSTM只预测相对上一年的变化，在留出的南部条带上把一年期均方根误差相对持续性基线降低1.6%，四年期降低4.4%，并复现了53%—69%的区域漂移。结论是这类预测对区域趋势可靠，对单个网格不可靠。
Filipe Moura Da Silva（第一作者）
荒漠化预测残差卷积长短期记忆网络卷积长短期记忆网络地球观测数据集蒙特卡洛Dropout
arXiv 2026年10月8日
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
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。
Agung Nugraha（第一作者）
CoNN-AL 主动学习部分逆向设计协同神经网络与去噪自编码器蒙特卡洛Dropout

已读完全部报道