DRIK：分布鲁棒无信息泄漏归纳型克里金
机器学习
2025-09-30 v1
摘要
归纳型克里金支持稀疏传感器网络下的高分辨率时空估计，但常规的训练-评估设置容易导致信息泄漏和较差的跨分布（OOD）泛化。我们发现，常见的2x2时空划分允许测试数据通过早停影响模型选择，从而掩盖了归纳型克里金的真实OOD特征。为此，我们提出了3x3划分，严格分离训练、验证和测试集，消除泄漏并更贴近实际应用。基于此重新定义的设置，我们引入DRIK（Distribution-Robust Inductive Kriging），一种专为归纳型克里金的内在特性设计的分布鲁棒方法，旨在显著提升OOD泛化，采用基于节点、边缘和子图三个层次的策略。DRIK通过扰动节点坐标来捕捉连续的空间关系，通过丢弃边缘来减少信息流的歧义并增加拓扑多样性，通过添加伪标记子图来增强域泛化。实验在六个多样化时空数据集上表明，DRIK一致优于现有方法，在保持强大可扩展性的同时，实现了最高12.48%的平均绝对误差降低。
引用
@article{arxiv.2509.23631,
title = {DRIK: Distribution-Robust Inductive Kriging without Information Leakage},
author = {Chen Yang and Changhao Zhao and Chen Wang and Jiansheng Fan},
journal= {arXiv preprint arXiv:2509.23631},
year = {2025}
}