LSTM-beta-VAE数据增强多输出软测量方法提出
热点事件持续更新
LSTM-beta-VAE数据增强多输出软测量方法提出
1 篇报道1 个报道来源16 小时前更新
先了解这件事
AI 综述
2026年10月30日，arXiv Artificial Intelligence 刊出 Rohit Murali 等作者的论文，提出一种基于 LSTM-beta-VAE 的生成式数据增强框架，并与多输出 LSTM（MO-LSTM）软测量结合，用于工业厌氧共消化的软测量。研究使用一年全尺寸工厂数据合成不稳定工况序列，以填补特征空间稀疏区域。基线评估显示，数据稀缺使 Random Forest、XGBoost 和未增强 LSTM 无法识别向不稳定运行的转变，稳定性指标估计较差；而在增强数据上训练的 MO-LSTM 实现了对所有目标的同时稳健估计。目前该工作处于论文发布阶段，报道未提及后续同行评审、复现或工业部署进展。
AI 根据报道生成 · 2 小时前更新
最新进展10月30日 12:00
基于 LSTM-beta-VAE 生成数据增强的多输出 LSTM 软测量用于工业厌氧共消化报道时间线
沿着报道，了解事件的不同侧面。
10月30日
- arXiv Artificial Intelligence基于 LSTM-beta-VAE 生成数据增强的多输出 LSTM 软测量用于工业厌氧共消化
研究提出 LSTM-beta-VAE 生成式数据增强框架与多输出 LSTM（MO-LSTM）软测量，用一年全尺寸工厂数据合成不稳定工况序列，填补特征空间稀疏区域。基线评估显示，数据稀缺使 Random Forest、XGBoost 和未增强 LSTM 无法识别向不稳定运行的转变，稳定性指标估计较差；在增强数据上训练的 MO-LSTM 实现了对所有目标的同时稳健估计。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。