GREAT：通过辅助变换实现通用表征增强，用于零样本环境预测
机器学习
2025-11-18 v1
摘要
环境建模面临在缺乏地理上不平衡观测数据的情况下，预测跨地区生态系统动力学的关键挑战。这一挑战因空间异质性而加剧，导致模型仅学习适用于局部数据的虚假模式。不同于常规领域泛化，环境建模必须在数据增强期间保持不变的物理关系和时间一致性。在本文中，我们引入通用表征增强通过辅助变换（GREAT）框架，有效增强可用数据集以提高完全不可见地区的预测。GREAT 指导增强过程，以确保可以从增强后的数据中恢复原始支配过程，并且增强数据的加入导致模型泛化性提升。具体而言，GREAT 在神经网络的多个层次学习变换函数，以增强原始环境特征和时间影响。它们通过一种新型的双层训练过程进行细化，该过程约束增强后的数据保留原始源数据的关键模式。我们在美国东部六个生态学多样性流域（每个流域包含多个流段）上的流温预测中展示了 GREAT 的有效性。实验结果表明，GREAT 在零样本情景下显著优于现有方法。这一工作为监控不可普遍的环境应用提供了实用解决方案。
引用
@article{arxiv.2511.13469,
title = {GREAT: Generalizable Representation Enhancement via Auxiliary Transformations for Zero-Shot Environmental Prediction},
author = {Shiyuan Luo and Chonghao Qiu and Runlong Yu and Yiqun Xie and Xiaowei Jia},
journal= {arXiv preprint arXiv:2511.13469},
year = {2025}
}