IDOL：基于先验物理知识应对热带风暴多任务估计中的多样化分布迁移
机器学习
2025-11-18 v1 人工智能
摘要
热带风暴（TC）估计旨在实时准确估计 various TC 属性。然而，由于热带风暴环境场的复杂性和动态特性，如地理条件的变化和季节性变化，导致分布迁移，这对可靠估计提出了重大挑战。大多数现有方法依赖多模态融合进行特征提取，但忽视特征表示的内在分布，导致在离线分布（OOD）场景下泛化性能差。为此，我们提出一种有效的以物理不变性为导向的身份分布学习框架（IDOL），通过施加身份导向的约束来调节特征空间，在先验物理知识的指导下处理分布变异性。具体而言，提出的IDOL利用风场模型和热带风暴的暗相关知识来建模任务共享和任务特定的身份标记。这些标记捕获任务之间的依赖关系以及热带风暴的内在物理不变性，从而在分布迁移下对热带风暴的风速、气压、内核和外核大小进行稳健估计。在多个数据集和任务上进行的广泛实验表明，所提出的IDOL显著优于现有方法，验证了基于先验物理知识施加身份导向约束可有效缓解热带风暴估计中多样化分布迁移的问题。代码可在 https://github.com/Zjut-MultimediaPlus/IDOL 查阅。
引用
@article{arxiv.2511.11750,
title = {IDOL: Meeting Diverse Distribution Shifts with Prior Physics for Tropical Cyclone Multi-Task Estimation},
author = {Hanting Yan and Pan Mu and Shiqi Zhang and Yuchao Zhu and Jinglin Zhang and Cong Bai},
journal= {arXiv preprint arXiv:2511.11750},
year = {2025}
}