準確預測電池壽命對于確保電池的及時維護和安全至關重要。盡管數據驅動的方法已經取得了重大進展，但其模型準確性往往因缺乏標記數據而受到阻礙。為了應對這一挑戰，昆山杜克大學Li Xin、Liu Yang、上海交通大學萬佳雨、復旦大學陶俊開發了一種名為部分貝葉斯協同訓練（PBCT）的半監督學習技術，其增強了電池壽命的預測建模。
本文要點：
1) 通過利用低成本的未標記數據，該模型可以提取隱藏信息，以提高對底層數據模式的理解，并實現更高的壽命預測精度。PBCT在壽命預測精度方面優于現有方法，并且數據采集的開銷可以忽略不計。
2) 此外，將未標記的數據納入訓練過程有助于揭示影響電池壽命的關鍵因素，而僅憑有限數量的標記數據可能會忽略這些因素。
Nanlin Guo et.al Semi-supervised learning for explainable few-shot battery lifetime prediction Joule 2024
DOI: 10.1016/j.joule.2024.02.020
https://doi.org/10.1016/j.joule.2024.02.020
