arXiv cs.AI· Muhammed Faruk Aytin, Zehra Demir, Alper Unal, Julian Marshall, Gozde Unal·· 9 天前AI 评分22
NCAM：异构传感器偏差下可识别的无监督多传感器回归
Neural Conjugate Aggregation: Identifiable Unsupervised Multi-Sensor Regression under Heterogeneous Sensor Bias
AI 导读
研究者提出神经共轭聚合模型（NCAM），一种结合神经网络与共轭高斯推断的分层贝叶斯框架，用于无真值标签下的多源传感器数据融合。NCAM 以情境协变量为条件学习各源的偏差与可靠性，通过传感器锚定与方差正则化解决结构不可识别问题，并引入局部自适应蒙特卡洛共形预测给出带覆盖保证的异方差预测区间。在合成与真实空气质量数据集上，其预测精度与不确定性校准优于均值聚合、概率 PCA 和卡尔曼滤波等无监督基线。
正文 · AI 翻译
摘要：我们研究不确定性下基于回归的数据融合，其中存在多个含噪且有偏的测量源，但训练期间没有真实标签。这一设定出现在传感器网络、仿真集成和科学监测系统中，在这些场景下监督成本高昂或不可行。我们提出神经共轭聚合模型（NCAM），这是一种分层贝叶斯框架，将神经网络与共轭高斯推断相结合，用于无监督多源融合。NCAM 以上下文协变量为条件学习源特定的偏差和可靠性，从而得到关于潜在目标变量的解析可处理后验，并分解出认知不确定性和偶然不确定性。通过传感器锚定和方差正则化解决结构性不可辨识问题，从而实现稳定且可解释的后验聚合。为了以有限样本保证补充贝叶斯不确定性，我们集成了局部自适应蒙特卡洛共形预测，在可交换性假设下生成具有覆盖保证的异方差预测区间。在合成和真实空气质量数据集上的实验表明，与无监督基线（包括均值聚合、概率 PCA 和卡尔曼滤波）相比，预测精度有所提高，不确定性校准良好。
| 评论： | 10 页 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| MSC 分类： | 62F15, 62J02, 68T07, 62M20 |
| ACM 分类： | I.2.6; G.3; I.5.1 |
| 引用为： | arXiv:2606.22200 [cs.LG] |
| （或 arXiv:2606.22200v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.22200 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Muhammed Faruk Aytin [查看电子邮件]
[v1]
2026 年 6 月 20 日星期六 19:30:21 UTC（238 KB）
[v2]
2026 年 10 月 8 日星期四 07:32:13 UTC（238 KB）
来源：arXiv cs.AI · arxiv.org