Neural Conjugate Aggregation：异质传感器偏差下可辨识的无监督多传感器回归

arXiv:2606.22200v2 发布类型：替换 摘要：我们研究不确定性下基于回归的数据融合问题：有多个带噪声且存在偏差的测量源可供使用，但训练期间缺少真实标签。这一场景常见于传感器网络、仿真集成以及监督成本高昂或难以实现的科学监测系统。我们提出 Neural Conjugate Aggregation Model（NCAM），这是一个将神经网络与共轭高斯推断相结合、用于无监督多源融合的层次贝叶斯框架。NCAM 根据上下文协变量学习各数据源特有的偏差和可靠性，从而针对潜在目标变量得到具有解析可处理性的后验分布，并分解认知不确定性与偶然不确定性。通过传感器锚定和方差正则化，我们解决了结构性不可辨识问题，实现了稳定且可解释的后验聚合。为利用有限样本保证性补充贝叶斯不确定性，我们整合了局部自适应蒙特卡洛保形预测，在可交换性假设下生成具有覆盖率保证的异方差预测区间。在合成数据集和真实世界空气质量数据集上的实验表明，与包括均值聚合、概率 PCA 和 Kalman filtering 在内的无监督基线方法相比，该方法具有更高的预测准确性和校准良好的不确定性。