野火预测的环境自适应偏好优化
机器学习
2026-05-13 v1 计算工程、金融与科学
摘要
从气象数据预测稀有极端事件如野火，需要模型在不断变化的环境条件下保持可靠。该问题具有长尾分布特征：野火事件稀少且高影响，而大多数观测值对应非野火情况，导致标准学习目标忽视最重要的少数类 (野火)。此外，基于历史分布训练的模型在分布迁移下常表现下降，在新环境中表现不佳。为此，我们提出环境自适应偏好优化 (EAPO) 框架，用于适应长尾分布的目标环境预测。给定新的输入分布，我们首先通过 -最近邻检索构建分布对齐的数据集。随后，在该局部流形上进行混合微调，结合监督学习与偏好优化，并强调稀有极端事件。EAPO 细化决策边界，避免来自异构训练数据的冲突信号。我们在具有环境迁移的真实野火预测任务上评估了 EAPO。EAPO 实现了稳健的性能（ROC-AUC 0.7310），并在极端场景中提升了检测能力，展示了其在动态野火预测系统中的有效性。
引用
@article{arxiv.2605.12435,
title = {Environment-Adaptive Preference Optimization for Wildfire Prediction},
author = {Enyi Jiang and Wu Sun},
journal= {arXiv preprint arXiv:2605.12435},
year = {2026}
}