准确预测电池寿命对于确保电池的及时维护和安全至关重要。尽管数据驱动的方法已经取得了重大进展，但其模型准确性往往因缺乏标记数据而受到阻碍。为了应对这一挑战，昆山杜克大学Li Xin、Liu Yang、上海交通大学万佳雨、复旦大学陶俊开发了一种名为部分贝叶斯协同训练（PBCT）的半监督学习技术，其增强了电池寿命的预测建模。

本文要点：

1) 通过利用低成本的未标记数据，该模型可以提取隐藏信息，以提高对底层数据模式的理解，并实现更高的寿命预测精度。PBCT在寿命预测精度方面优于现有方法，并且数据采集的开销可以忽略不计。

2) 此外，将未标记的数据纳入训练过程有助于揭示影响电池寿命的关键因素，而仅凭有限数量的标记数据可能会忽略这些因素。

参考文献：

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