Hurdle-IMDL：面向红外降雨反演的不平衡学习框架
机器学习
2025-10-24 v1 人工智能
大气与海洋物理
地球物理
摘要
人工智能已在定量遥感方面取得进展，但其效果受到标签分布不平衡的制约。这种不平衡常导致常规训练的模型偏向常见样本，进而降低对稀有样本的检索性能。降雨反演典型地体现了这一问题，尤其在重降雨情况下的性能尤为受损。本文提出Hurdle-Inversion Model Debiasing Learning(IMDL)框架。遵循分而治之策略，将降雨分布中的不平衡问题分解为两个组成部分：零膨胀，定义为非降雨样本的占多数的现象；长尾分布，定义为轻雨样本相对于重雨样本的异常丰富。采用hurdle模型处理零膨胀问题，提出的IMDL用于解决长尾分布，通过将学习目标转化为无偏理想逆模型来处理。通过统计指标和案例研究（针对东方中国的雨天情况）确认Hurdle-IMDL在常规、成本敏感、生成式和多任务学习方法上的优势。其关键创新包括有效缓解系统性低估，显著提升重到极端降雨的反演性能。IMDL为解决环境变量分布中的不平衡问题提供了可推广的方法，使能够更好地检索稀有但高影响力的事件。
引用
@article{arxiv.2510.20486,
title = {Hurdle-IMDL: An Imbalanced Learning Framework for Infrared Rainfall Retrieval},
author = {Fangjian Zhang and Xiaoyong Zhuge and Wenlan Wang and Haixia Xiao and Yuying Zhu and Siyang Cheng},
journal= {arXiv preprint arXiv:2510.20486},
year = {2025}
}
备注
26 pages