PiCSRL：物理信息上下文谱强化学习
机器学习
2026-05-05 v2 人工智能
摘要
高维低样本量（HDLSS）数据集限制了可靠的环境模型开发，其中标注数据仍然稀疏。基于强化学习（RL）的自适应采样方法可以学习最优采样策略，但其在 HDLSS 场景中的应用受到严重限制。在本工作中，我们提出了 PiCSRL（物理信息上下文谱强化学习），其中嵌入利用领域知识设计，并直接解析为 RL 状态表示以改善自适应采样。我们开发了一个不确定性感知信念模型，用于编码物理信息特征以改善预测。作为代表性示例，我们在 NASA PACE 高光谱影像上评估了我们的方法，用于伊利湖的蓝藻基因浓度自适应采样任务。PiCSRL 实现了最优站点选择（RMSE = 0.153，藻华检测率 98.4%，分别优于随机（0.296）和 UCB（0.178）的 RMSE 基线）。我们的消融实验表明，物理信息特征改善了测试泛化能力（0.52 R²，较原始波段 +0.11）。此外，我们的可扩展性测试表明，PiCSRL 可有效扩展至大型网络（50 个站点，>2M 组合），相比基线有显著改善（p = 0.002）。我们将 PiCSRL 视为一种样本高效的自适应采样方法，适用于地球观测领域，以改善观测到目标的映射。
引用
@article{arxiv.2603.26816,
title = {PiCSRL: Physics-Informed Contextual Spectral Reinforcement Learning},
author = {Mitra Nasr Azadani and Syed Usama Imtiaz and Nasrin Alamdari},
journal= {arXiv preprint arXiv:2603.26816},
year = {2026}
}
备注
Accepted to IGARSS 2026