面向环境知识发现的增减自适应自监督学习检索框架
机器学习
2025-09-19 v1
摘要
环境知识的发现依赖于标记的任务特定数据，但常受数据收集高成本的限制。现有机器学习方法在数据稀缺或非典型条件下难以泛化。为此，我们提出一种增减自适应自监督学习(ASL)框架，通过检索相关观测样本来增强目标生态系统的建模。具体而言，我们引入多级配对学习损失来训练情景编码器，以捕捉情景之间不同程度的相似性。这些学习到的相似性驱动检索机制，将目标情景与来自不同位置或时间段的相关数据补充充足。此外，为更好地处理可变情景，特别是在传统模型难以应对的非典型或极端条件下，我们设计了增减自适应机制，通过针对性数据增强来选择性地强化这些情景。以淡水生态系统为案例，我们评估了 ASL 在 modeling 水温和溶解氧动态方面的效果。实验结果表明，ASL 在数据稀缺和非典型情景中显著提高了预测精度并增强了鲁棒性。虽然本研究聚焦于淡水生态系统，但 ASL 框架提供了一个可广泛应用于各种科学领域的解决方案。
引用
@article{arxiv.2509.14563,
title = {Learning to Retrieve for Environmental Knowledge Discovery: An Augmentation-Adaptive Self-Supervised Learning Framework},
author = {Shiyuan Luo and Runlong Yu and Chonghao Qiu and Rahul Ghosh and Robert Ladwig and Paul C. Hanson and Yiqun Xie and Xiaowei Jia},
journal= {arXiv preprint arXiv:2509.14563},
year = {2025}
}