面向地理发现的在线元学习：基于概念相关性的自适应方法

在环境监测领域，数据采集往往成本高昂、稀疏且受紧急公共卫生需求的驱动。以致癌 PFAS（杂氟烷基物质）污染为例，与领域专家和环境组织的讨论凸显，在有限采样预算下战略性识别高风险、观测不足地区的需求。更广泛地说，类似的挑战在灾害响应和公共卫生场景中亦普遍存在，动态环境下的不完全地面真相使得高效发现隐藏目标成为关键。然而稀疏且偏置的地理标签限制了基于强化学习等现有基于学习的方法的适用性。为此，我们提出一种统一的地理发现框架，集成主动学习、在线元学习与概念导向推理。我们的方法引入两个关键创新，基于共享的“概念相关性”概念，即特定领域因素如何影响目标存在：一种“概念加权不确定性采样策略”，其中不确定性由来自概念（如土地覆盖和源头接近性）的学习相关性所调制；以及一种“相关性感知的元批次形成策略”，旨在促进在线元学习期间的语义多样性，从而提高动态环境下的泛化能力。我们在以 PFAS 污染发现为真实世界灵感的环境监测任务上评估了该框架，在有限数据和变化条件下实现了稳健的目标发现。