稀疏监督下的不确定性校准时空场扩散
机器学习
2026-03-06 v1 人工智能
摘要
物理场通常仅在稀疏、时变的传感器位置观测，使得预测和重建变得难题且依赖不确定性。我们提出 SOLID，一种基于掩码条件的扩散框架，从稀疏观测中学习时空动力学：训练和评估仅使用观测到的目标位置，无需密集场数据和无需预填补。与此前工作不同，SOLID 仅使用稀疏监督进行端到端训练。SOLID 在每个去噪步骤上条件化测量值及其位置，并引入双掩码目标：（i）强调在未观测的空洞区域的学习，（ii）上权重输入与目标中提供最可靠锚点的重叠像素。这一严格的稀疏条件化路径使后验采样生成与测量一致的完整场，实现概率误差提升一个数量级，并在严重稀疏情况下产生校准的不确定性图（ > 0.7）。
引用
@article{arxiv.2603.04431,
title = {Uncertainty-Calibrated Spatiotemporal Field Diffusion with Sparse Supervision},
author = {Kevin Valencia and Xihaier Luo and Shinjae Yoo and David Keetae Park},
journal= {arXiv preprint arXiv:2603.04431},
year = {2026}
}
备注
18 pages, 9 figures, 6 tables