.png){kind=icon}
返回
Ensemble self-training deep partial least squares models for stable semi-supervised predictive learning and data analytics
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ifacsc.2026.100362.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，深度学习虽取得了显著成就，但仍存在若干严重不足。特别是，当标记训练数据集规模较小时，深度学习的性能可能会严重下降，而这种情况在工业应用场景中相当常见，尽管我们正处于大数据时代。本文提出了一种用于预测学习和数据分析的半监督深度模型，该模型基于最近开发的轻量级深度偏最小二乘（PLS）模型结构。具体而言，采用简单的自训练策略作为驱动力构建半监督深度PLS模型，该模型对结构无限制，因而在预测学习中具有灵活性。此外，为减少自训练过程中的不确定性（即预测误差累积），引入不同的随机种子进行模型训练，并通过集成学习策略将结果进行组合。因此，预测模型对由未标记数据和半监督学习过程引入的不确定性表现出更强的稳定性和鲁棒性。本文提供了一个实际工业案例，用于评估所提出方法的效果。
Keyword:
Self-training
Semi-supervised deep learning
Partial least squares
Quality prediction
Ensemble learning
Stable predictive modeling
期刊
I
IF:
1.8
论文数:
80
被引数:
317
机构
引用论文
.png){kind=icon}
Novel Human Activity Recognition by graph engineered ensemble deep learning model基于图工程集成深度学习模型的新型人类活动识别
PREAI
分享收藏Deep PLS: A Lightweight Deep Learning Model for Interpretable and Efficient Data AnalyticsDeep PLS: 用于可解释和高效数据分析的轻量级深度学习模型
PREAI
分享收藏Semi-supervised learning for data-driven soft-sensing of biological and chemical processes半监督学习用于生物和化学过程的数据驱动软测量
OAAI
OAAI分享收藏
查看更多内容