用于估算数据匮乏区域 PM2.5 的空间迁移学习
机器学习
2024-06-25 v2
摘要
空气污染，尤其是细颗粒物 2.5 (PM2.5)，是公共健康的一个紧迫问题，且由于缺乏地面传感器，在发展中国家（数据匮乏区域）难以估算。可以利用迁移学习模型来解决这一问题，因为它们使用替代数据源来获取知识（即来自数据丰富区域的数据）。然而，当前的迁移学习方法未考虑源域和目标域之间的依赖关系。我们将此迁移问题识别为空间迁移学习，并提出一个名为潜在依赖因子 (LDF) 的新特征，该特征捕获两个域的空间和语义依赖关系，随后被添加到域的特征空间中。我们使用一种新颖的两阶段自编码器模型生成 LDF，该模型从相似的源域和目标域数据簇中学习。我们的实验表明，使用 LDF 的迁移学习模型比基线提高了 19.34%。我们还通过定性发现进一步支持了我们的实验。
引用
@article{arxiv.2404.07308,
title = {Spatial Transfer Learning for Estimating PM2.5 in Data-poor Regions},
author = {Shrey Gupta and Yongbee Park and Jianzhao Bi and Suyash Gupta and Andreas Züfle and Avani Wildani and Yang Liu},
journal= {arXiv preprint arXiv:2404.07308},
year = {2024}
}
备注
Accepted for publication at ECML-PKDD 2024