面向地球观测的合同规范训练: 观察服务协议图与覆盖-精度权衡
机器学习
2025-12-05 v1
摘要
地球观测 (EO) 模型常在隐式的抽样政策下进行训练, 以优化全局精度, 但无法在训练期间对谁(哪些区域、类别或关键任务层级)得到服务提供明确保证。本文引入一种面向地球观测的合同规范训练范式, 在此范式下, 训练样本被组织为服务合同 — — 即具有语义意义的单元如 (数据集、区域、稀有作物指示器), 并为每个合同分配目标服务份额。我们将其实例化为观察服务协议图 (OSAG), 这是一个轻量级的治理层, (i) 在优化过程中监控合同级别的暴露(覆盖率), (ii) 通过合同归一化抽样权重驱动经验覆盖率接近目标份额, (iii) 通过两个旋钮: 抽样混合系数 alpha 和合同正则化权重 lambda_C, 暴露明确的精度-治理权衡。我们提供了一个在玩具设置中的紧凑理论: OSAG 抽样将经验覆盖率集中到目标值; 覆盖偏差上界服务风险偏差; 合同设计(粗粒度 vs 细粒度)调节治理成本。在 AVIRIS 高光谱场景(印度坡纳斯加萨利纳斯)和多光谱 Sentinel-2 EuroSAT 数据集上进行的实验表明, OSAG 在保持全局精度的同时, 可显著降低高优先级覆盖误差, 并提升高优先级区域的精度。EuroSAT 粗粒度-细粒度合同消融实验进一步证明, 语义细化的合同可在治理改进单位成本下降低精度成本。
引用
@article{arxiv.2512.04644,
title = {Contract-Governed Training for Earth Observation: Observed Service Agreement Graphs and Coverage-Accuracy Trade-offs},
author = {Wenzhang Du},
journal= {arXiv preprint arXiv:2512.04644},
year = {2025}
}
备注
9 pages, 2 figures