抗异常值软测量
针对工业数据中的离群点和冗余变量，引入截断Huber损失与LASSO，实现更高精度的软测量。
Wu, Xiuliang · 孙凯 · 曹茂永
IEEE Transactions on Instrumentation and Measurement 2025
采用截断Huber损失，将大误差样本的损失封顶，避免异常值主导训练。
引入LASSO进行特征选择，自动剔除冗余变量，简化模型并提升可解释性。
通过t-SNE对未标记样本降维，半监督学习利用大量未标记数据提升模型泛化能力。
在人工和工业数据集上，预测精度均高于现有先进方法。