StruMPL：基于离散部分监督和非随机缺失标签的多任务稠密回归
计算机视觉与模式识别
2026-05-20 v1 人工智能
机器学习
摘要
从地球观测数据估计森林地上生物量 (AGB) 结合了两种结构不兼容的标签来源：空间激光雷达在数百万个位置提供树冠结构但无生物量估计，地面实验 plot 在数千个有偏位置提供生物量但无结构指标。没有单个训练样本携带所有目标变量的标签，plot 标签呈非随机缺失 (MNAR)，且生物量与结构变量通过已知但生物系统特定的 allometric 规律相连。我们将其形式化为在异构离散部分监督和 MNAR 标签以及任务间物理约束下的多任务稠密回归，提出 StruMPL 来联合解决。共享编码器提供每个变量的回归、插值和倾向头，用于空间 MNAR 校正，以及在每个像素上评估模型自身预测的可学习物理模块。监督损失使用带有 stop-gradient 的 Augmented IPW (AIPW) 伪结果；我们在分析和实证上表明，两者都是联合优化以恢复 IPW 加权稳态点的必要条件，同时保持损失有界。在两个生态学上不同的生物系统上，StruMPL 在 AGB RMSE 和偏差上优于 ablation 变体和最近的 published 方法，在分层分析中显示 AIPW 可将高 AGB 偏差降低约54%。
引用
@article{arxiv.2605.19931,
title = {StruMPL: Multi-task Dense Regression under Disjoint Partial Supervision and MNAR Labels},
author = {Reza M. Asiyabi and Juan Alberto Molina-Valero and The SEOSAW Partnership and Steven Hancock and Casey M. Ryan},
journal= {arXiv preprint arXiv:2605.19931},
year = {2026}
}
备注
10 pages with 3 figures and 4 tables, References and Appendix 12 pages with 1 figure and 4 tables