超越性能幻象：面向空间相关域的结构感知分层划分与课程分布鲁棒优化

AI 系统中的性能评估通常假设随机数据集划分会产生独立同分布（i.i.d.）的子集。我们表明，在时空相关领域（如航空监视、精准农业和医学成像）中，这一假设经常失效，导致两个系统性问题：数据泄漏（相关样本跨越训练集和验证集，从而夸大性能估计）和隐藏分层（少数子群体上的错误被聚合指标掩盖）。为了解决这些问题，我们提出了一个针对空间相关数据的统一评估和训练框架。我们引入了结构感知分层划分（SASP），它构建验证集划分以减少时空泄漏，同时保持有意义的类别平衡；以及课程分布鲁棒优化（CDRO），一种基于课程的分布鲁棒训练松弛方法，可在这些更严格的划分下稳定优化。在多个基准测试中，这种组合带来了持续改进的泛化能力、更可靠的置信度校准，并暴露了在传统随机划分评估下仍然隐藏的故障模式。